begreper, prinsipper og verktøy - Naturhistorisk museum ...
begreper, prinsipper og verktøy - Naturhistorisk museum ...
begreper, prinsipper og verktøy - Naturhistorisk museum ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Rapport | 10 | ISSN 18918050 | ISBN 978827970 021 0 | 2011<br />
Faglig grunnlag for naturtypeovervåking<br />
i Norge – <strong>begreper</strong>,<br />
<strong>prinsipper</strong> <strong>og</strong> <strong>verktøy</strong><br />
Rune Halvorsen
Denne rapportserien utgis av:<br />
<strong>Naturhistorisk</strong> <strong>museum</strong><br />
Postboks 1172 Blindern<br />
0318 Oslo<br />
www.nhm.uio.no<br />
Forfattere:<br />
Rune Halvorsen<br />
Publiseringsform:<br />
Publiseringsform:<br />
Sitering:<br />
Sitering<br />
ISSN: 18918050<br />
ISBN: 978827970 021 0
Faglig grunnlag for naturtypeovervåking<br />
i Norge – <strong>begreper</strong>,<br />
<strong>prinsipper</strong> <strong>og</strong> <strong>verktøy</strong><br />
3
Antall sider <strong>og</strong> bilag:<br />
117+0<br />
Rapportnummer:<br />
10<br />
ISSN<br />
18918050<br />
ISBN<br />
978827970 021 0<br />
Sammendrag:<br />
Gradering: Prosjektleder:<br />
Rune Halvorsen<br />
Dato:<br />
26.09.2011<br />
Prosjektnummer:<br />
200 672<br />
Bidragsfinansiert av:<br />
Nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking<br />
av biol<strong>og</strong>isk mangfold, sekretariat: Direktoratet for<br />
naturforvaltning<br />
NatTOv – prosjektet som her rapporteres – har hatt som målsetting å bidra til utvikling av metodikk for<br />
overvåking av naturtyper som dekker lite totalareal <strong>og</strong> som forekommer spredt over store deler av landet<br />
(<strong>og</strong> som det derfor ikke er praktisk <strong>og</strong> økonomisk mulig å overvåke et arealrepresentativt nettverk<br />
av overvåkingsflater. Prosjektet har blitt utført som enkeltundersøkelser. Disse blir rapportert separat.<br />
Denne rapporten inneholder en generell gjennomgang av naturtypeovervåking som fagfelt.Først forklares<br />
<strong>og</strong> drøftes grunn<strong>begreper</strong> i naturovervåking. En forklaring av variasjonen i naturen ut fra et gradientperspektiv<br />
danner bakgrunnen for en kort beskrivelse av hvordan naturvariasjonen blir systematisert i NiN<br />
(Naturtyper i Norge) versjon 1.0. Dernest blir de viktigste <strong>verktøy</strong>ene for analyse av naturtypevariasjon<br />
– gradientanalyse <strong>og</strong> utbredelsesmodellering – beskrevet med eksempler. Rapportens hoveddel er en<br />
inngående beskrivelse av fem overvåkingsmetoder som er relevante for naturmangfold, med siktemål<br />
å sette disse inn i en helhetlig, nasjonal <strong>og</strong> internasjonal sammenheng. Overvåkingsmetodenes anvendelsesområder<br />
<strong>og</strong> potensiale blir drøftet med utgangspunkt i eksempler. En av konklusjonene i rapporten<br />
er at vi nå har tilstrekkelig kunnskap om hvordan natur kan <strong>og</strong> bør overvåkes til at planlegging av et helhetlig<br />
pr<strong>og</strong>ram for overvåking av naturmangfold i Norge kan starte. Et ‘vegkart’ for en prosess fram mot et<br />
slikt helhetlig pr<strong>og</strong>ram blir skissert.
Forord<br />
Dette er den generelle rapporten fra prosjektet ’Naturtypeovervåking (NatTOv) – utarbeidelse av et faglig<br />
grunnlag for intensiv naturtypeovervåking’. Prosjektet er gjennomført 2009–10 med finansiering fra<br />
naturtypearbeidsgruppa under ’Nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk mangfold’.<br />
Prosjektet omfatter <strong>og</strong>så sju grunnlagsundersøkelser som blir rapportert separat i ‘Faglig grunnlag for naturtypeovervåking<br />
i Norge – grunnlagsundersøkelser’. I denne generelle rapporten beskrives bakgrunnen for<br />
prosjektet <strong>og</strong> prosjektets mål, relevante <strong>begreper</strong> forklares <strong>og</strong> teori gjennomgås. Rapporten avsluttes med<br />
en inngående drøfting av overvåkingsmetodikk som støtter seg på resultatene av de sju grunnlagsundersøkelsene.<br />
Rapportens sammendrag inkluderer <strong>og</strong>så de viktigste resultatene av grunnlagsundersøkelsene.<br />
Som forfatterlistene til de enkelte grunnlagsundersøkelsene viser, er det mange som har bidratt til NatTOvprosjektet<br />
med sin kompetanse <strong>og</strong> sin arbeidsinnsats. Alle disse, <strong>og</strong> en rekke andre personer som har gitt<br />
større eller mindre bidrag av ulike slag, takkes for godt samarbeid. En stor takk <strong>og</strong>så til sekretariatet for<br />
‘Nasjonalt pr<strong>og</strong>ram’ ved Knut Simensen for å ha fulgt prosjektet med stor interesse, for mange konstruktive<br />
samtaler undervegs <strong>og</strong>, ikke minst, for å ha gitt oss anledning til å gjøre forskning som på samme tid er<br />
målrettet mot viktige anvendelser <strong>og</strong> bidrar til å øke vår grunnleggende forståelse både av naturvariasjonen<br />
<strong>og</strong> av de metodene vi kan bruke til å analysere variasjon i naturen.<br />
6
Sammendrag<br />
’Naturtypeovervåking (NatTOv) – utarbeidelse av et faglig grunnlag for intensiv naturtypeovervåking’ er<br />
et prosjekt under naturtypearbeidsgruppa i ’Nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk<br />
mangfold’. Prosjektets målsetting har vært ’å utvikle en metodikk for intensiv stratifisert naturtypeovervåking,<br />
tilrettelagt for overvåking av naturtyper som dekker lite totalareal <strong>og</strong> som forekommer spredt over<br />
store deler av landet (<strong>og</strong> som det derfor ikke er praktisk <strong>og</strong> økonomisk mulig å overvåke ved ekstensiv<br />
naturtypeovervåking i et areal(type)representativt nettverk av overvåkingsflater.’ Arbeidet i prosjektet har vært<br />
organisert i fire temaer hvorav tre omfattes av denne rapporteringen:<br />
1.<br />
2.<br />
3.<br />
Utprøving av NiN versjon 1.0 som kartleggingssystem (delmål 1)<br />
Forbedre infrastrukturen for naturtypemodellering (delmål 2)<br />
Undersøkelser som belyser hvordan romlig prediksjonsmodellering kan brukes i sannsynlighetsbasert<br />
naturtypeovervåking (delmål 4)<br />
Det fjerde temaet (delmål 3), uttesting av fjernmåling som hjelpemiddel for identifisering av naturtyper, vil bli<br />
rapportert separat. Rapporteringen fra prosjektet er delt i to; denne generelle rapporten <strong>og</strong> en egen rapport<br />
for de sju grunnlagsundersøkelsene I–VII. Fire (III–VI) av disse er case studies med relevans for delmål 4;<br />
én (I) inneholder resultatene fra utprøvingen av parallell kartlegging etter NiN versjon 1.0 (delmål 1), én (II)<br />
presenterer et nytt landskapstypekart for Norge basert på inndelingen i NiN versjon 1.0 (delmål 2), <strong>og</strong> én<br />
(VII) inneholder en grundig gjennomgang av begrepsapparat for, <strong>og</strong> analyser som underbygger, metodikken<br />
for sannsynlighetsbasert naturtypeovervåking (delmål 4). I denne generelle rapporten, som inneholder det<br />
faglige grunnlaget for naturtypeovervåking, blir resultatene av grunnlagsundersøkelsene I–VII trukket inn <strong>og</strong><br />
eksplisitt referert til alle steder der det er relevant.<br />
Denne generelle rapporten innledes med bakgrunnen for <strong>og</strong> formålene med NatTOvprosjektet.<br />
Viktige grunn<strong>begreper</strong> for naturovervåking blir forklart i kapittel 2.1. Overvåking av naturmangfold<br />
innebærer registrering av indikatorvariabler, tallfestede observasjoner av egenskaper ved indikatorer på<br />
naturmangfold som følges over tid. Indikatorene kan deles i to hovedgrupper, direkte indikatorer som beskriver<br />
mangfoldet av organismer som sådan, <strong>og</strong> indirekte indikatorer. Indikatorene kan <strong>og</strong>så grupperes etter hvilket<br />
organisasjonsnivå de adresserer [populasjon (art), samfunn, økosystem (naturtype) eller miljøegenskaper].<br />
Tre ulike måter å gruppere indikatorvariabler blir beskrevet; (i) på grunnlag av hvilken type egenskap ved<br />
indikatoren de gir uttrykk for; (ii) på grunnlag av hvilke metoder som egner seg for å innhente informasjon om<br />
dem; <strong>og</strong> (iii) på grunnlag av hvilke observasjonsenheter de er relevante for (kapittel 2.6).<br />
I kapittel 2.2 blir kartlegging definert som registrering av indikatorvariabler med standardiserte<br />
<strong>og</strong> veldokumenterte metoder slik at andre observatører på et seinere tidspunkt skal kunne gjenta<br />
registreringene på nøyaktig samme måte. Overvåking er systematisk gjentatt kartlegging. Begrepet<br />
overvåkingsmetode (kapittel 2.4) blir brukt om ei ’pakke’ som inneholder utvalgsmetode (metode for<br />
utvelgelse <strong>og</strong> plassering av observasjonssteder), registreringsmetoder (metode for innsamling av<br />
observasjoner) <strong>og</strong> analysemetoder (metoder for statistisk analyse av det innsamlete datamaterialet).<br />
Prinsipper <strong>og</strong> <strong>begreper</strong> som er viktig for statistisk analyse av naturovervåkingsdata blir forklart i kapitlene 2.3–6.<br />
I kapittel 3.1–2 introduseres ’gradientperspektivet på naturvariasjonen’, som er en oppsummering av<br />
hvordan naturegenskaper (arters forekomst <strong>og</strong> mengde <strong>og</strong> viktige miljøfaktorer) varierer i rom <strong>og</strong> tid. Ifølge<br />
’gradientperspektivet’ er naturvariasjonen i hovedsak økoklinal, det vil at variasjonen i artssammensetning<br />
<strong>og</strong> miljøfaktorer er gradvis langs komplekse miljøgradienter. Antallet økokliner som er viktige for å forklare<br />
variasjonen innenfor et (mindre) område er oftest relativt lavt. I kapittel 3.2 brukes gradientperspektivet til<br />
å konseptualisere begrepet ’naturtype’ som et avgrenset intervall (’hypervolum’) i et mangedimensjonalt<br />
rom med økokliner som akser. Kapittel 3.3 inneholder et sammendrag av hvordan naturvariasjonen blir<br />
systematisert i NiN (Naturtyper i Norge) versjon 1.0.<br />
7
De viktigste <strong>verktøy</strong>ene for analyse av naturtypevariasjon – gradientanalyse <strong>og</strong> utbredelsesmodellering<br />
– blir beskrevet med eksempler i kapittel 4. Utbredelsesmodellering blir beskrevet i særlig stor detalj<br />
(kapittel 4.2) fordi ett av de tre formålene med utbredelsesmodellering, romlig prediksjonsmodellering, er<br />
kjerneelementet i overvåkingsmetoden sannsynlighetsbasert overvåking. Romlig prediksjonsmodellering<br />
innebærer å predikere, så godt som mulig, hvor et naturfenomen (en art eller en naturtype) finnes innenfor<br />
et område. Grunnlagsundersøkelsene III–VI gir eksempler på romlig prediksjonsmodellering, <strong>og</strong> gir verdifulle<br />
innspill til kapittel 4.2.5 der metodevalg <strong>og</strong> metodetilpasning i romlig prediksjonsmodellering blir drøftet.<br />
En av de viktigste konklusjonene på grunnlagsundersøkelsene III–V er at romlige prediksjonsmodeller<br />
må evalueres ved bruk av et datasett som er innsamlet uavhengig av dataene som brukes til å kalibrere<br />
modellen. Dette blir drøftet i kapittel 4.2.6, hvor <strong>og</strong>så framgangsmåten blir forklart.<br />
I kapittel 5 blir overvåkingsmetoder som er relevante for naturmangfold beskrevet <strong>og</strong> satt inn i en<br />
helhetlig sammenheng. Kapitlet innledes med et vitenskapsteoretisk <strong>og</strong> internasjonalt perspektiv på<br />
naturovervåking (kapitlene 5.1–2) der det blir framhevet at god naturovervåking forutsetter at tre basale<br />
spørsmål er besvart. De to første av disse spørsmålene, ’hvorfor overvåke?’ <strong>og</strong> ’hva skal overvåkes?’, er<br />
miljøpolitiske spørsmål som må besvares av myndigheter med ansvar for forvaltning av natur. Gode svar på<br />
disse spørsmålene forutsetter imidlertid et godt kunnskapsgrunnlag. Det er det tredje spørsmålet, ’hvordan<br />
skal overvåkingen gjennomføres?’, som er hovedtemaet i NatTOvprosjektet. Dette er er reint vitenskapelig<br />
spørsmål. Kunnskapsbehovene som skal fylles gjennom kartlegging <strong>og</strong> overvåking blir samlet i fem grupper:<br />
(i) behovet for stedfestet naturinformasjon; (ii) behovet for kvalitetssikret kunnskap om status <strong>og</strong>/eller<br />
endringer for naturfenomener (naturtyper <strong>og</strong> arter) som det knytter seg spesiell forvaltningsinteresse til; (iii)<br />
behovet for dyp innsikt i komplekse økosystemers struktur, funksjon <strong>og</strong> dynamikk; (iv) behovet for uttesting<br />
av spesifikke forvaltningstiltak; <strong>og</strong> (v) behovet for å evaluere måloppnåelse. Det blir argumentert for at et<br />
mangfold av tilnærmingsmetoder til naturovervåking er nødvendig for å fylle alle disse kunnskapsbehovene.<br />
Dette mangfoldet må omfatte basisovervåking som er basert på en induktiv vitenskapelig metode såvel som<br />
effektstudier basert på en mer eller mindre eksperimentell, hypotetiskdeduktiv metode. Et sett <strong>prinsipper</strong><br />
for tilpasset overvåking blir foreslått med utgangspunkt i Lindenmayer & Likens’ nylig publiserte adaptive<br />
monitoring paradigm.<br />
I kapittel 5.3 beskrives fem hovedkategorier av datainnsamlingsmetoder (metoder for utvelgelse<br />
av observasjonsenheter <strong>og</strong> registrering av observasjoner) for naturovervåking: (i) arealdekkende<br />
datainnsamling; (ii) areal(type)representativ datainnsamling; (iii) sannsynlighetsbasert datainnsamling; (iv)<br />
gradientbasert datainnsamling; <strong>og</strong> (v) selektiv datainnsamling. Spesialutvalg, som blant annet inkluderer<br />
utvalgsmetoder tilrettelagt for eksperimentelle studier, utgjør en sjette kategori. Sannsynlighetsbasert<br />
datainnsamling, som er en ny <strong>og</strong> hittil uutprøvd datainnsamlingmetode, blir beskrevet i særlig detalj (kapittel<br />
5.3.4). Erfaringene fra case studies med romlig prediksjonsmodellering (grunnlagsundersøkelsene III–VI) <strong>og</strong><br />
resultatene av en simuleringsundersøkelse der indikatorvariabelegenskaper blir estimert i datasett fra ulike<br />
sannsynlighetsbaserte utvalg (VII) viser entydig at sannsynlighetsbasert datainnsamling har stor potensiell<br />
nytteverdi som metode for å få arealrepresentativ infotmasjon om sjeldne naturfenomener. I kapittel 5.4 blir<br />
valg av datainnsamlingsmetode satt i sammenheng med kunnskapsbehov, ulike måter å oppnå erkjennelse<br />
(typer av statistiske slutninger) <strong>og</strong> egenskaper ved indikatorer <strong>og</strong> indikatorvariabler. Gradientbasert<br />
datainnsamling blir framhevet som en kjernemetode i naturovervåking av hele økosystemer, fordi metoden er<br />
spesielt velegnet for å dekke behov for dyp innsikt i komplekse økosystemers struktur, funksjon <strong>og</strong> dynamikk.<br />
Tre av datainnsamlingsmetodene (alle unntatt gradientbasert datainnsamling <strong>og</strong> selektiv datainnsamling)<br />
kan fylle behovet for kvalitetssikret kunnskap om status <strong>og</strong>/eller endringer for naturfenomener (naturtyper<br />
<strong>og</strong> arter) som det knytter seg spesiell forvaltningsinteresse til fordi de gir arealrepresentativ informasjon. I<br />
kapittel 5.4.4 blir det vist at overvåkingsmetodene kan ordnes i ei rekke fra arealdekkende datainnsamling<br />
via arealrepresentativ, arealtyperepresentativ <strong>og</strong> sannsynlighetsbasert datainnsamling til selektiv<br />
datainnsamling. Denne rekkefølgen representerer avtakende egnethet for å trekke pålitelige generelle<br />
slutninger, men <strong>og</strong>så reduserte krav til hvor vanlig en indikator må være for å kunne overvåkes uten at<br />
arbeids <strong>og</strong> driftskostnadene ved bruk av metoden skal bli urealistisk høye. En indikators prevalens (relative<br />
frekvens, sannsynlighet for tilstedeværelse) blir framholdt som den viktigste bestemmende enkeltfaktoren<br />
for hvilken metode som egner seg best til overvåking av indikatoren. Dagens kunnskap om hvilke<br />
8
prevalensintervaller de ulike metodene synes å egne seg best for <strong>og</strong> hvor gode romlige prediksjonsmodeller<br />
som trengs for at sannsynlighetsbasert overvåking skal være en aktuell overvåkingsmetode blir oppsummert<br />
i to figurer (Fig. 18–19).<br />
På grunnlag av gjennomgangen av overvåkingsmetodene i kapitlene 5.3–4 blir det konkludert at vi nå har<br />
tilstrekkelig kunnskap om hvordan natur kan <strong>og</strong> bør overvåkes til å kunne planlegge et helhetlig pr<strong>og</strong>ram for<br />
overvåking av naturmangfold i Norge. I kapitel 5.5.1 blir et ’vegkart’ (Fig. 20) for en prosess fram mot et slikt<br />
helhetlig pr<strong>og</strong>ram skissert, <strong>og</strong> i kapittel 5.5.2 blir et framlegg til metodeplattform (Fig. 21) for et slikt pr<strong>og</strong>ram<br />
beskrevet. En rekke spørsmål med relevans for hvordan natur bør overvåkes blir drøftet på grunnlag av<br />
vegkartet <strong>og</strong> metodeplattformen: hvordan naturtyper med ulike egenskaper bør overvåkes (kapittel 5.5.3);<br />
hvordan resultater fra overvåking i mindre definisjonsområder kan settes inn i større sammenhenger (kapittel<br />
5.5.4); hvilket behov som finnes for videreutvikling av NiN som infrastruktur for overvåking (kapitlene 5.5.5–<br />
6); <strong>og</strong> hvordan overvåking av rødlistearter kan innpasses i overvåking av naturtyper (kapittel 5.5.7). Trådene<br />
blir trukket sammen i en oversiktstabell (Tabell 10) med eksempler på overvåkingstemaer som kan være<br />
aktuelle i et helhetlig nasjonalt pr<strong>og</strong>ram <strong>og</strong> hvilke metoder som kan være egnet for hvert av disse temaene.<br />
Flere eksempler i tabellen tar direkte utgangspunkt i resultatene av grunnlagsundersøkelser (IV, V <strong>og</strong> VI).<br />
Det blir <strong>og</strong>så pekt på avklaringsbehov, behov for bedre prediktorvariabler til utbredelsesmodellering (III–VI)<br />
<strong>og</strong> behov for annen ny kunnskap.<br />
Arbeidet med delmål 1, utprøving av NiN versjon 1.0 som kartleggingssystem (grunnlagsundersøkelse<br />
I), har hovedsakelig bestått i å utarbeide en kartleggingsinstruks <strong>og</strong> å teste denne i felt. To team av erfarne<br />
kartleggere kartla sommeren 2010 åtte kartleggingsområder á 1 km 2 uavhengig av hverandre. De 16<br />
naturtypekartene ble digitalisert <strong>og</strong> gjort gjenstand for en GISbasert analyse av likheter <strong>og</strong> ulikheter (I: 3.1)<br />
<strong>og</strong> i tillegg ble en omfattende spørreundersøkelse blant kartleggerne utført (I: 3.2). Resultatene av disse to<br />
undersøkelsene stemte godt overens <strong>og</strong> kan oppsummeres i følgende fem punkter:<br />
•<br />
•<br />
•<br />
•<br />
•<br />
Natursystem <strong>og</strong> landskapsdelinndelingene i NiN versjon 1.0 viste seg godt egnet for<br />
naturtypekartlegging i målestokk 1:5 000, <strong>og</strong> denne målestokken er trolig nær optimal for kartlegging av<br />
naturtyper på disse naturtypenivåene. NiNsystemet har potensiale for å kunne videreutvikles til å fylle<br />
rollen som infrastruktur for naturovervåking, i tråd med en av hovedintensjonene med å utvikle systemet<br />
(se kapittel 5.5.5).<br />
Parallelle naturtypekart er mer like i kartleggingsområder med ’enklere’ naturvariasjon enn i områder der<br />
naturvariasjonen er mer kompleks (der top<strong>og</strong>rafien er mer ’knudrete’ <strong>og</strong> det er sterkt preg av langvarig,<br />
tradisjonell hevd).<br />
Den viktigste årsaken til manglende presisjon i naturtypekartene er mangler i dokumentasjonen for NiN<br />
versjon 1.0, <strong>og</strong> at dokumentasjonen ikke er godt nok tilrettelagt for kartlegging.<br />
Andre viktige årsaker til redusert presisjon i naturtypekartene, var at opplæringen av, <strong>og</strong> kalibreringen<br />
mellom, kartleggerne ikke var god nok <strong>og</strong> uklarheter/mangler i kartleggingsinstruksen.<br />
Gradvis naturvariasjon vil alltid være en viktig kilde til usikkerhet ved grensetrekking, men det er<br />
foreløpig uvisst hvor stor del av uoverensstemmelsene mellom parallelle naturtypekart som er resultatet<br />
av gradvis variasjon.<br />
På grunnlag av resultatene i I ble tre anbefalinger for videreutvikling av NiN som infrastruktur for kartlegging<br />
<strong>og</strong> overvåking av naturmangfold i Norge gitt:<br />
1. NiN-dokumentasjonen må utvikles videre <strong>og</strong> produkter spesielt tilrettelagt for praktisk bruk må utarbeides<br />
(dette er utdypet i kapitlene 5.5.6 <strong>og</strong> i I: 4.2, som <strong>og</strong>så innholder lister over konkrete forbedringspunkter).<br />
Særlig viktig er det<br />
a. at arter i langt større grad enn i NiN versjon 1.0 tas i bruk som indikatorer for naturtyper <strong>og</strong><br />
økoklintrinn; <strong>og</strong><br />
b. at presis avgrensningsinformasjon (<strong>og</strong> typebeskrivelser) blir spesielt tilrettelagt for bruk i praktisk<br />
kartlegging, i tillegg til at den mer fullstendige dokumentasjonen av NiN i Naturtypebasen bygges<br />
videre ut (blant annet med beskrivelser av alle grunntyper <strong>og</strong> med standardiserte eksempler).<br />
9
2. Det må utvikles et differensiert kursopplegg for brukere av NiN (se I: 4.2).<br />
3. Instruksen for kartlegging etter NiN må forbedres vesentlig (se I: 4.2 punkt 2).<br />
Resultatene av grunnlagsundersøkelse I har <strong>og</strong>så implikasjoner utover forbedring av NiN som<br />
kartleggingssystem. Resultatene gir et klart signal til brukerne av naturtypekart om at kompleksiteten i<br />
naturen gjør kartlegging av natur til en svært vanskelig oppgave, ikke minst fordi det ofte ikke finnes entydige<br />
svar på hvilken type et areal skal tilordnes. God naturtypekartlegging stiller store krav til kompetanse hos<br />
kartleggeren, forutsetter grundig feltarbeid <strong>og</strong> er derfor arbeidsintensivt <strong>og</strong> ressurskrevende. Naturens<br />
kompleksitet vil <strong>og</strong>så nødvendigvis stille betydelige krav til kompetanse hos brukerne av naturtypekart <strong>og</strong><br />
annen naturinformasjon.<br />
Arbeidet med delmål 2, å bedre infrastrukturen for naturtypemodellering, har først <strong>og</strong> fremst bestått<br />
i utarbeidelse av et landskapstypekart for Norge basert på inndelingen i NiN versjon 1.0 (II) <strong>og</strong> utvikling<br />
<strong>og</strong> uttesting av prediktorvariabler til bruk i romlig prediksjonsmodellering av arter <strong>og</strong> naturtyper (del<br />
av III–VI). Arbeidet med landskapstypekartet viste at landskapstypeinndelingen i NiN versjon 1.0<br />
lar seg operasjonalisere <strong>og</strong>, med et par unntak, automatisere. På grunnlag av drøfting av erfaringer<br />
med, <strong>og</strong> resultatet av, landskapstypekartleggingen, ble det konkludert at det er god grunn til å anta at<br />
landskapstypeinndelingen vil kunne være velegnet som utgangspunkt for å avlede arealdekkeprediktorer for<br />
romlig prediksjonsmodellering. Muligheten for å utvikle (detaljere) landskapstypeinndelingen i NiN slik at den<br />
kan legges til grunn for nasjonal landskapskartlegging i målestokk 1:50 000 blir drøftet. Arbeidet med delmål<br />
2 resulterte i to anbefalinger:<br />
4. Landskapstypeinndelingen i NiN versjon 1.0 bør videreutvikles til en mer detaljert inndeling, tilrettelagt<br />
for kartlegging i målestokk 1:50 000.<br />
5. Nye prediktorvariabler for naturtypemodellering må utvikles som del av en nasjonal infrastruktur for<br />
overvåking av naturmangfold, fordi gode romlige prediksjonsmodeller er en forutsetning for å kunne<br />
overvåke mange sjeldne arter <strong>og</strong> naturtyper ved bruk av sannsynlighetsbasert datainnsamling. Konkrete<br />
forslag er<br />
a. utvikling av bedre digitale høydemodeller ved bruk av laserscanningdata (VI),<br />
b. utvikling av en prediktor for ’geol<strong>og</strong>isk rikhet’ (III, IV, VI),<br />
c. utvikling av prediktorer for hevd <strong>og</strong> annen historisk bruk (III–VI), <strong>og</strong><br />
d. utvikling av prediktorer for arealdekke på landskapsnivå (II).<br />
De fire case studies med romlig prediksjonsmodellering belyser ulike sider ved modelleringsmetoder <strong>og</strong><br />
hvordan modellering kan integreres i en overvåkingsmetode. I grunnlagsundersøkelse III modelleres<br />
tilstedeværelse av plantearten griseblad (Scorzonera humilis) i 25 × 25 m gridruter i SØ Østfold.<br />
Undersøkelsen illustrerer <strong>og</strong>så hvordan romlige prediksjonsmodeller kan evalueres ved bruk av uavhengige<br />
evalueringsdata. I grunnlagsundersøkelse IV modelleres natursystemhovedtypen kulturmarkseng i<br />
Oppdal kommune (SørTrøndelag). I undersøkelsen sammenliknes modeller som er basert på ulike typer<br />
treningsdata (naturtypefigurer for ’naturbeitemark’ i DNs Naturbase <strong>og</strong> artsforekomster), griddet til ulike<br />
kornstørrelser, ved bruk av uavhengige evalueringsdata. Undersøkelsen viser at bruk av artsforekomstdata<br />
som treningsdata kan resultere i prediksjonsmodeller som er minst like gode som modeller basert på<br />
naturtyperegistreringer. I grunnlagsundersøkelse V modelleres eik (Quercus spp.) i SØNorge (25 × 25 m<br />
gridruter), <strong>og</strong> det gis <strong>og</strong>så en oversikt over fordelingsmønstre for mikrohabitater knyttet til eik. Undersøkelsen<br />
viser at tilstedeværelse/fraværsdata fra Landssk<strong>og</strong>takseringen er velegnet som treningsdata for romlige<br />
prediksjonsmodeller for viktige treslag. Den illustrerer <strong>og</strong>så hvordan evaluering av prediksjonsmodeller ved<br />
bruk av uavhengige evalueringsdata kan gi dyp innsikt både i svakheter ved modellen <strong>og</strong> i det modellerte<br />
naturfenomenets egenskaper. Det poengteres at utbredelsesmodellering bør være en iterasjonsprosess<br />
der evalueringsdata for en modellgenerasjon inngår i treningsdata for neste generasjon av modeller. I<br />
grunnlagsundersøkelse VI modelleres naturtypen åpen grunnlendt kalkmark i indre Oslofjord på grunnlag av<br />
registreringer i gridruter på 5 × 5 m. Også i denne undersøkelsen sammenliknes romlige prediksjonsmodeller<br />
som er laget på grunnlag av ulike treningsdatasett, <strong>og</strong> det konkluderes at modeller basert på<br />
10
tilstedeværelsesdata for naturtypen er omtrentlig like gode som modeller basert på tilstedeværelsesdata for<br />
arter med tilhørighet til naturtypen. Undersøkelsen illustrerer et tilfelle der både arealtyperepresentativ <strong>og</strong><br />
sannsynlighetsbasert overvåking kan være aktuelle overvåkingsmetoder.<br />
De fire case studies III–VI viser at det er mulig å lage gode romlige prediksjonsmodeller for mange<br />
landlevende arter <strong>og</strong> terrestriske naturtyper; modeller som er gode nok til å gjøre at sannsynlighetsbasert<br />
overvåking kan brukes for mange indikatorer som ikke kan overvåkes i et areal(type)represensentativt utvalg<br />
av observasjonsenheter. Resultatene, både av case studies III–VI <strong>og</strong> av simuleringsundersøkelsen i VII,<br />
viser at sannsynlighetsbasert overvåking har potensiale for å kunne fylle den tiltenkte rollen som metode for<br />
overvåking av sjeldne naturfenomener. Følgende tiltak anbefales:<br />
6. Mer inngående undersøkelser av statistiske aspekter ved sannsynlighetsbasert datainnsamling<br />
må gjennomføres (vurdering av flere estimatorer, gjennomføring av mer omfattende<br />
simuleringsundersøkelser)<br />
7. Flere case studies, i større definisjonsområder enn hittil, må gjennomføres. Noen aktuelle temaer for<br />
slike case studies (se Tabell 10) er:<br />
a. natursystemenheten slåttemark (eller, mer generelt, kulturmarkseng; se IV)<br />
b. natursystemhovedtypen isinnfrysingsmark (egnet for utprøving av flere alternative<br />
overvåkingsmetoder)<br />
c. det sammensatte livsmediumobjektet hul eik (se V)<br />
d. natursystemenheten kalklindesk<strong>og</strong> (se V)<br />
e. natursystemenheten åpen grunnlendt kalkmark (se VI)<br />
f. fremmede arter i natursystemgrunntypen vegkant i hovedtypen konstruert fastmark<br />
På bakgrunn av resultatene av NatTOvprosjektet anbefales at følgende skritt blir tatt for å etablere et<br />
helhetlig nasjonalt overvåkingspr<strong>og</strong>ram:<br />
8. Framlegget til metodeplattform for et helhetlig pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av naturmangfold<br />
legges til grunn for drøftinger med relevante fagmiljøer med sikte på konsensus om overvåkingsmetodikk<br />
9. Ansvarlige forvaltningsmyndigheter vurderer skissen til vegkart for prosessen fram mot et helhetlig<br />
pr<strong>og</strong>ram for overvåking av naturmangfold slik at skritt kan tas for å etablere et helhetlig nasjonalt<br />
pr<strong>og</strong>ram for overvåking av naturmangfold i Norge<br />
11
Innhold<br />
1 Innledning 15<br />
1.1 Historisk bakgrunn: arbeidet med et nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av<br />
biol<strong>og</strong>isk mangfold i Norge fram til 2006 15<br />
1.2 Nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk mangfold: status <strong>og</strong> utfordringer 15<br />
1.3 NatTOvprosjektets formål 18<br />
1.4 Rapportens oppbygging <strong>og</strong> innhold 18<br />
2 Grunn<strong>begreper</strong> i økol<strong>og</strong>i med relevans for naturovervåking 20<br />
2.1 Indikatorer <strong>og</strong> indikatorvariabler 20<br />
2.2 Kartlegging <strong>og</strong> overvåking 23<br />
2.3 Statistiske grunn<strong>begreper</strong>: observasjon, utvalg <strong>og</strong> populasjon 23<br />
2.4 Begreper knyttet til utvalg av observasjoner 24<br />
2.5 Begreper for romlig skala <strong>og</strong> utbredelse 26<br />
2.6 Gruppering av indikatorer <strong>og</strong> indikatorvariabler på grunnlag av hvilke observasjonsenheter<br />
som er relevante 28<br />
3 Det faglige grunnlaget for naturtypeovervåking: om naturvariasjon <strong>og</strong> NiN-systemet 29<br />
3.1 Naturtypebegrepet i NiN <strong>og</strong> gradientperspektivet 29<br />
3.2 Arters respons på komplekse miljøgradienter, <strong>og</strong> en gradientanalytisk forståelse av hva<br />
en naturtype egentlig er 30<br />
3.3 Systematisering av naturvariasjonen i NiN 32<br />
3.3.1 Naturmangfoldnivåene 32<br />
3.3.2 Generaliseringsnivåer 36<br />
3.3.3 Økokliner 37<br />
3.3.4 Andre kilder til variasjon 37<br />
3.3.5 Overblikk over NiNsystemet 38<br />
4 Verktøy for analyse av naturvariasjon 41<br />
4.1 Gradientanalyse 41<br />
4.1.1 Ordinasjon av miljøvariabler 41<br />
4.1.2 Ordinasjon av artsobservasjonsmatriser 42<br />
4.1.3 Bruk av miljøvariabler til tolkning av ordinasjon av artsobservasjonsmatriser 46<br />
4.2 Utbredelsesmodellering 47<br />
4.2.1 Definisjon <strong>og</strong> bakgrunn 47<br />
4.2.2 Prinsipper for utbredelsesmodellering 47<br />
4.2.3 Tre ulike formål med utbredelsesmodellering 50<br />
4.2.4 Bruk av utbredelsesmodellering i naturovervåking 51<br />
4.2.5 Valg av metode <strong>og</strong> metodespesifikasjoner i romlig prediksjonsmodellering 51<br />
4.2.6 Evaluering av romlige prediksjonsmodeller ved bruk av uavhengige evalueringsdata 52<br />
5 Naturovervåking – metoder <strong>og</strong> innspill til et helhetlig pr<strong>og</strong>ram 60<br />
5.1 Overblikk: naturovervåking i internasjonalt <strong>og</strong> nasjonalt perspektiv 60<br />
5.2 Modell <strong>og</strong> designbaserte slutninger i naturovervåking 66<br />
5.3 Datainnsamlingsmetoder i naturovervåking: metoder for utvalg <strong>og</strong> plassering av<br />
observasjonsenheter 67<br />
5.3.1 Oversikt over datainnsamlingsmetoder i naturovervåking 67<br />
5.3.2 Arealdekkende datainnsamling 67<br />
12
5.3.3 Areal(type)representativ datainnsamling 69<br />
5.3.4 Sannsynlighetsbasert datainnsamling 70<br />
5.3.5 Gradientbasert datainnsamling 77<br />
5.3.6 Selektiv datainnsamling 79<br />
5.3.7 Spesialutvalg 79<br />
5.4 Sammenhenger mellom datainnsamlingsmetode <strong>og</strong> kunnskapsbehov, statistiske slutninger<br />
<strong>og</strong> egenskaper ved indikatorer <strong>og</strong> indikatorvariabler 80<br />
5.4.1 Kunnskapsbehov 80<br />
5.4.2 Statistiske slutninger 81<br />
5.4.3 Egenskaper ved indikatorer <strong>og</strong> indikatorvariabler 83<br />
5.4.4 Syntese: hvilke datainnsamlingsmetoder egner seg for hvilke indikatorer <strong>og</strong><br />
indikatorvariabler? 86<br />
5.5 Innspill til helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold i Norge 88<br />
5.5.1 Vegkart for et helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold 88<br />
5.5.2 Metodeplattform for et helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold 88<br />
5.5.3 Bruk av metodeplattformen til overvåking av naturtyper 91<br />
5.5.4 Tilrettelegging for aggregering av resultater fra naturovervåking 92<br />
5.5.5 NiN som infrastruktur for et helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold 94<br />
5.5.6 Behov for videreutvikling av NiN som infrastruktur for naturovervåking 97<br />
5.5.7 Naturtypebasert tilnærming til overvåking av rødlistearter 98<br />
5.5.8 Eksempler på hvordan aktuelle overvåkingstemaer kan innpasses i et helhetlig<br />
pr<strong>og</strong>ram for overvåking av naturmangfold 106<br />
6 Konklusjon <strong>og</strong> anbefalinger 107<br />
Referanser 109<br />
13
Grunnlagsundersøkelser<br />
Denne rapporten er basert på sju grunnlagsundersøkelser, som blir rapportert separat, i ’Faglig grunnlag for<br />
naturtypeovervåking i Norge – grunnlagsundersøkelser’:<br />
I Halvorsen, R., Mazzoni, S., Bratli, H., Engan, G., Fjeldstad, H., Gaarder, G., Larsen, B.H. &<br />
Nordbakken, J.F. Utprøving av NiN versjon 1.0 som naturtypekartleggingssystem<br />
II Erikstad, L. & Blumentrath, S. Landskapstypekart for Norge, en ny infrastruktur for landskapsanalyse<br />
<strong>og</strong> modellering<br />
III Halvorsen, R., Edvardsen, A. & Bakkestuen, V. Romlig prediksjonsmodellering av griseblad<br />
(Scorzonera humilis) i Østfold<br />
IV Mazzoni, S., Halvorsen, R., Bakkestuen, V. & Bratli, H. Romlig prediksjonsmodellering av<br />
kulturmarkseng i Oppdal kommune (SørTrøndelag)<br />
V Stokland, J.N. & Halvorsen, R. Romlig prediksjonsmodellering av eik (Quercus spp.) i SørøstNorge<br />
VI Wollan, A.K., Bakkestuen, V. & Halvorsen, R. Romlig prediksjonsmodellering av åpen grunnlendt<br />
kalkmark i Oslofjordområdet<br />
VII Halvorsen, R. & Heegaard, E. Sannsynlighetsbasert datainnsamling – teori, <strong>begreper</strong> <strong>og</strong> en<br />
simuleringsundersøkelse<br />
De sju grunnlagsundersøkelsene blir referert til med romertall I–VII.<br />
14
1 Innledning<br />
1.1 Historisk bakgrunn: arbeidet med et nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong><br />
overvåking av biol<strong>og</strong>isk mangfold i Norge fram til 2006<br />
Det offisielle startskuddet for arbeidet med et nasjonalt pr<strong>og</strong>ram for overvåking av biol<strong>og</strong>isk mangfold fant<br />
sted i 1994 da Miljøverndepartementet ga Direktoratet for naturforvaltning i oppdrag å planlegge et slikt<br />
pr<strong>og</strong>ram. Oppdraget var forankret i nasjonale forvaltningsbehov <strong>og</strong> internasjonale forpliktelser, blant annet<br />
Norges ratifisering av konvensjonen om biol<strong>og</strong>isk mangfold (CBD). Etter et omfattende utredningsarbeid<br />
i naturtypevise arbeidsgrupper (Anonym 1997a) la Direktoratet for naturforvaltning i 1998 fram ’Plan<br />
for overvåking av biol<strong>og</strong>isk mangfold’ (Anonym 1998) som inneholdt den første samlete oversikt over<br />
overvåkingsbehov relatert til biol<strong>og</strong>isk mangfold i Norge. Denne planen inneholdt <strong>og</strong>så en oversikt over<br />
viktige påvirkningsfaktorer (trusler) <strong>og</strong> andre grunner, inkludert internasjonale forpliktelser, for å iverksette en<br />
plan for kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk mangfold i Norge. Begrunnelsen for naturovervåking, med<br />
særlig vekt på terrestre systemer, er seinere grundig gjennomgått <strong>og</strong> utdypet av Framstad & Kålås (2001).<br />
’Plan for overvåking av biol<strong>og</strong>isk mangfold’ (Anonym 1998) dannet grunnlaget for St.meld. nr. 42 (2000–<br />
01), ’Biol<strong>og</strong>isk mangfold. Sektoransvar <strong>og</strong> samordning’ (Anonym 2001) <strong>og</strong> Innst. St. nr. 206 (2001–02)<br />
(Anonym 2002a). Ett av de ambisiøse målene i St.meld. nr. 42 (2000–01) ’Biol<strong>og</strong>isk mangfold. Sektoransvar<br />
<strong>og</strong> samordning’ (Anonym 2001) var etablering av et helhetlig nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking<br />
av biol<strong>og</strong>isk mangfold i Norge, i stortingsmeldingen uttrykt som følger: ’innen 2005 skal det nasjonale<br />
pr<strong>og</strong>rammet være startet opp på alle områder’ (Anonym 2001: Boks 17.4, s. 206). Våren 2002 vedtok<br />
Stortinget regjeringens forslag om å etablere et nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk<br />
mangfold, som fra 2003 har hatt øremerket finansiering over statsbudsjettet. For gjennomføring av vedtaket<br />
om å etablere et nytt, kunnskapsbasert forvaltningssystem for biol<strong>og</strong>isk mangfold ble våren 2002 etablert en<br />
interdepartemental arbeidsgruppe som i sin tur nedsatte et utvalg med sju arbeidsgrupper som utarbeidet<br />
en rapport for prioritering av tiltak innenfor ’Nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk<br />
mangfold’ (Anonym 2002b). I St.meld. nr. 25 (2002–03), ’Regjeringens miljøvernpolitikk <strong>og</strong> rikets miljøtilstand’<br />
ga regjeringen uttrykk for at det nye forvaltningssystemet skulle være ferdig etablert i 2007 (Anonym 2003).<br />
Parallelt med forarbeidene til et nasjonalt overvåkingspr<strong>og</strong>ram, forankret i St.meld. 58 (1996–97)<br />
’Miljøvernpolitikk for en bærekraftig utvikling’ (Anonym 1997b), foreslo regjeringen opprettelse av et 5årig<br />
landsomfattende pr<strong>og</strong>ram for kartlegging <strong>og</strong> verdiklassifisering av biol<strong>og</strong>isk mangfold, basert på kommunevis<br />
kartlegging (’Den kommunale kartleggingen’). Dette pr<strong>og</strong>rammet startet opp i 1999 <strong>og</strong> viste seg raskt å kreve<br />
en langt større arbeidsinnsats enn forutsatt. Pr<strong>og</strong>rammet var derfor ikke fullført når Inderdeputvalget startet<br />
sitt arbeid i 2003. I sin første funksjonsperiode (2003–06) valgte derfor det interdepartementale utvalget for<br />
’Nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk mangfold’ (heretter omtale som ’Nasjonalt<br />
pr<strong>og</strong>ram’) å videreføre ’Den kommunale kartleggingen’ som sin hovedsatsing. Ved slutten av første periode<br />
med ’Nasjonalt pr<strong>og</strong>ram’ konkluderte Riksrevisjonen i sitt Dokument 3: 12 (2005–06), ’Riksrevisjonens<br />
undersøkelse av myndighetenes arbeid med kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk mangfold <strong>og</strong> forvaltning<br />
av verneområder’ (Anonym 2006a) med at det fortsatt var et godt stykke fram før grunnlaget var lagt for<br />
etablering av et nasjonalt kartleggings <strong>og</strong> overvåkingspr<strong>og</strong>ram. Den ’kommunale naturtypekartleggingen’<br />
var fortsatt ikke fullført.<br />
1.2 Nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk mangfold: status<br />
<strong>og</strong> utfordringer<br />
Arbeidet med oppfølging av Stortingsmelding 42 (2000–01) ble fra 2007 videreført med samme organisering<br />
som i perioden 2003–06 idet ’Nasjonalt pr<strong>og</strong>ram’ ble forlenget ut 2010. Også i planen for andre periode<br />
med ’Nasjonalt pr<strong>og</strong>ram’ (Anonym 2007c) har videreføring av kartleggingsaktivitetene vært en sentral<br />
oppgave, men i planen pekes <strong>og</strong>så på at det skal utarbeides et metodegrunnlag for overvåking <strong>og</strong> at<br />
overvåkingsaktiviteter deretter gradvis skal fases inn. Arbeidet under ’Nasjonalt pr<strong>og</strong>ram’ er i perioden<br />
2007–10 organisert i fire temaer (arbeidsgrupper), hvorav én er ’Naturtyper på land’. Innenfor dette temaet<br />
ble følgende mål identifisert:<br />
1.<br />
Innen 2010 skal det foreligge en landsdekkende, kartfestet oversikt av jevn <strong>og</strong> høy kvalitet over alle<br />
steder der de viktigste naturtyper for biol<strong>og</strong>isk mangfold finnes.<br />
15
2.<br />
3.<br />
4.<br />
5.<br />
16<br />
Innen 2010 skal kartlegging i jordbrukets kulturlandskap være gjennomført i samsvar med NNN [nå<br />
Naturtyper i Norge, NiN].<br />
Innen 2010 gjennomføre kartlegging av viktige ferskvannsforekomster etter DN håndbok 15, etter en<br />
prioritert plan.<br />
Innen 2010 gjennomføre harmonisering mellom ulike kartleggingsmetoder for naturtyper <strong>og</strong><br />
harmonisering mellom disse <strong>og</strong> NNN [nå NiN].<br />
Innen 2010 skal et system for overvåking av naturtyper være utprøvd <strong>og</strong> klart til å implementeres.<br />
Inndelingen i Ny Norsk Naturtypeinndeling [nå NiN] skal ligge til grunn for dette systemet.<br />
På grunnlag av erfaringene fra første periode med ’Nasjonalt pr<strong>og</strong>ram’ burde det ikke overraske at heller<br />
ikke disse målene kunne nås med de ressursrammene som ble stilt til disposisjon for perioden 2007–10.<br />
Utfordringenes omfang illustreres av konklusjonen i den grundige gjennomgangen av ’Den kommunale<br />
naturtypekartleggingen’ (jf. målene 1–3 om kartlegging av verdifulle naturtyper) som ble foretatt våren 2007<br />
(Gaarder et al. 2007), om at de ca. 35 000 naturtypelokalitetene som inntil da var kartlagt utgjør anslagsvis<br />
20 % av det reelle antallet verdifulle naturtypelokaliteter i Norge, <strong>og</strong> at rundt 70 % av kartlagte lokaliteter (ca.<br />
25 000) vil måtte oppsøkes på nytt i felt på grunn av mangelfulle lokalitetsbeskrivelser. Kostnadene ved en<br />
fullstendig, faglig tilfredsstillende kartlegging av verdifulle naturtypelokaliteter i Norge ble anslått til mer enn<br />
500 millioner kroner (Gaarder et al. 2007). En av hovedgrunnene til at kartlegging av verdifulle naturtyper<br />
i Norge er en svært omfattende oppgave, er at landet vårt på grunn av stor klimavariasjon, brutt top<strong>og</strong>rafi,<br />
stort geol<strong>og</strong>isk mangfold <strong>og</strong> en tradisjon for småskala jordbruk har et svært stort naturtypemangfold, arealet<br />
tatt i betraktning.<br />
Arbeidet med kartlegging av verdifulle naturtyper avdekket et stort behov for et enhetlig, veldokumentert<br />
system for typeinndeling av norsk natur. Behovet for en ny naturtypeinndeling som dekker hele Norge ble<br />
akutt med framlegget til ’Lov om bevaring av natur, landskap <strong>og</strong> biol<strong>og</strong>isk mangfold (Naturmangfoldloven)’ i<br />
2004 (Anonym 2004) fordi lovframlegget inneholder en paragraf om utvelgelse av naturtyper som bygger ny<br />
definisjon av begrepet ’naturtype’ <strong>og</strong> derfor ikke kunne iverksettes uten at en ny naturtypeinndeling ble laget.<br />
Artsdatabanken, som ble opprettet i 2005 som et ledd i gjennomføringen av Stortingsmelding 42 (2000–<br />
01), tok derfor allerede høsten 2005 initiativet til utarbeidelse av et nytt inndelingssystem for naturtyper,<br />
’Naturtyper i Norge’ – NiN (fra starten av ’Ny norsk naturtypeinndeling’ – NNN). Arbeidet med NiN har hatt<br />
til hensikt å lage en naturtypeinndeling som tjener flere formål. Den skal legge grunnlag for iverksettelse av<br />
Naturmangfoldloven (som ble trådte i kraft i 2009) samt tilfredsstille flest mulig andre behov for å beskrive<br />
<strong>og</strong> navnsette natur, for eksempel kartlegging <strong>og</strong> overvåking av naturtyper. NiN sin rolle i en helhetlig plan for<br />
kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk mangfold i Norge er drøftet i en egen utredning (Halvorsen 2008).<br />
Arbeidsplanen for ’Nasjonalt pr<strong>og</strong>ram’ for 2007–10 tok utgangspunkt i at NiNprosjektet hadde en<br />
tidsramme på to år, med planlagt lansering av NiN versjon 1.0 ved utgangen av 2007. Arbeidet med NiN<br />
viste seg imidlertid langt mer krevende <strong>og</strong> omfattende enn forutsatt, <strong>og</strong> NiN versjon 1.0 (Halvorsen et al.<br />
2009a) ble først klar mot slutten av 2009. Fordi mange sentrale elementer i et helhetlig kartleggings <strong>og</strong><br />
overvåkingspr<strong>og</strong>ram vil måtte tilpasses naturtypesystemet, med utgangspunkt i prinsippene dette systemet<br />
bygger på (Halvorsen 2008), ble dermed hele arbeidet med den nasjonale planen for kartlegging <strong>og</strong><br />
overvåking av biol<strong>og</strong>isk mangfold forsinket. Erfaringene fra naturtypekartleggingen i Norge fram til i dag<br />
(Gaarder et al. 2007) tilsa <strong>og</strong>så at store ressurser kan spares ved å prøve ut systemer <strong>og</strong> metodikk før<br />
praktisk kartlegging <strong>og</strong> overvåking iverksettes.<br />
Målene for arbeidet under ’Nasjonalt pr<strong>og</strong>ram’ for perioden 2007–10 <strong>og</strong> konklusjonene i utredningen om<br />
NiN sin rolle i en helhetlig nasjonal kartleggings <strong>og</strong> overvåkingsplan (Halvorsen 2008), peker på at følgende<br />
kunnskaps <strong>og</strong> kompetansebehov bør være tilfredsstilt før en slik nasjonal plan iverksettes:<br />
Infrastrukturen for et kartleggings- <strong>og</strong> overvåkingspr<strong>og</strong>ram, NiN, må være grundig utprøvd<br />
1. . Et<br />
hovedfokus i evalueringsrapporten om naturtypekartlegging i Norge (Gaarder et al. 2007) er betydningen<br />
av kvalitet. Dette gjenspeiles i planen til arbeidsgruppa for naturtyper under ’Nasjonalt pr<strong>og</strong>ram’, i<br />
formuleringene ’oversikt ... over viktigste naturtyper ... av jevn <strong>og</strong> høy kvalitet’ (mål 1) <strong>og</strong> kravet til at<br />
’et system for overvåking av naturtyper [basert på NiN skal] være utprøvd’ (mål 5). Forventning om<br />
bedre kvalitet på naturtypeinformasjonen som blir samlet inn, i form av økt presisjon i identifisering,<br />
avgrensning <strong>og</strong> tilstandsbeskrivelse av arealenheter av ulike naturtyper, har vært viktig for valget av<br />
NiN som typesystem i det videre arbeidet med naturtypekartlegging <strong>og</strong> overvåking. Det er imidlertid<br />
bare gjennom grundig uttesting at man får vite om det nye type systemet innfrir disse forventningene.<br />
Feltvalidering av NiN vil (a) tallfeste usikkerheten ved bruk av NiN versjon 1.0 til å identifisere <strong>og</strong><br />
avgrense naturtyper, <strong>og</strong> (b) identifisere forbedringspunkter i NiN, som kan utbedres før NiN-systemet tas<br />
i bruk som grunnlag for kartlegging <strong>og</strong> overvåking i stort omfang.
2. Harmonisering mellom eksisterende kartleggingsmetoder for naturtyper <strong>og</strong> NiN. Et første<br />
skritt i retning av harmonisering mellom eksisterende kartleggingssystemer <strong>og</strong> NiN (mål 4 i planen til<br />
arbeidsgruppa for naturtyper under ’Nasjonalt pr<strong>og</strong>ram’) ble tatt våren 2010 i <strong>og</strong> med Artsdatabankens<br />
publisering av en oversettelsesnøkkel (Halvorsen 2010) mellom Direktoratet for Naturforvaltning sine<br />
håndbøker 13 <strong>og</strong> 19 for naturtypekartlegging (Anonym 2007a, 2007b) <strong>og</strong> NiN versjon 1.0. Et stort arbeid<br />
med harmonisering (<strong>og</strong> videreutvikling) av kartleggings <strong>og</strong> overvåkingsmetoder mer generelt gjenstår<br />
imidlertid fortsatt.<br />
3. Utvikling <strong>og</strong> utprøving av metodikk for overvåking av naturtyper. Mål 5 i planen til arbeidsgruppa for<br />
naturtyper under ’Nasjonalt pr<strong>og</strong>ram’ tilsier at et system for overvåking av naturtyper, som er basert på<br />
NiN, skal utvikles <strong>og</strong> at dette systemet skal utprøves. Utredningen av NiNs rolle i en helhetlig nasjonal<br />
plan for overvåking av naturmangfold i Norge (Halvorsen 2008) inneholder et framlegg til sju ’strategier<br />
for kartlegging <strong>og</strong> overvåking’, som kan ses på som et innspill til en slik ’overvåkingssystemutvikling’.<br />
Arbeidet med <strong>prinsipper</strong>, begrepsapparat <strong>og</strong> metoder for kartlegging <strong>og</strong> overvåking av naturtyper ble<br />
i 2008–09 tatt et skritt videre som ledd i Direktoratet for naturforvaltning sitt prosjekt ’Oppfølging av<br />
verneområder – bevaringsmål <strong>og</strong> overvåking’ (B.Ø. Solberg et al., upubl. notat). Ytterligere arbeid med<br />
utvikling av overvåkingssystem, samt utprøving av dette, gjenstår imidlertid før et system for overvåking<br />
av naturtyper er ferdig utviklet. Deretter må et slikt system utprøves før det er klart til å implementeres.<br />
I tidligere utredninger om naturtypeovervåking (Anonym 1998, Halvorsen 2008) skilles mellom tre<br />
’hovedstrategier’ for overvåking av naturtyper; (i) ’ekstensiv’ overvåking som innebærer innsamling av<br />
areal(type)representativ informasjon, (ii) ’intensiv’ overvåking i observasjonsområder som er typiske for,<br />
eller inneholder, gitte naturtyper <strong>og</strong> (iii) ’spesialobjektovervåking’ som innebærer at (alle eller et utvalg<br />
av) kjente arealenheter av en gitt naturtype følges over tid. Fra et statistisk synspunkt er ’ekstensiv’<br />
naturtypeovervåking uovertruffent beste ’strategi’ fordi den gir grunnlag for mye mer pålitelige konklusjoner<br />
om status for den naturtypen som overvåkes enn noen annen ’strategi’. Den største utfordringen i<br />
naturtypeovervåking er imidlertid at denne ’strategien’ i praksis ikke lar seg bruke for overvåking av<br />
naturtyper som totalt dekker et lite areal. Slike naturtyper er blant de sterkeste kandidatene til å komme på<br />
rødlista for naturtyper som Artsdatabanken sluttfører arbeidet med i løpet av våren 2011, <strong>og</strong> til å bli utvalgte<br />
naturtyper etter Naturmangfoldloven. Sterkest overvåkingsbehov er dermed knyttet til naturtyper som ikke<br />
lar seg overvåke i observasjonsenheter i ekstensive nettverk som gir arealrepresentativ informasjon. Dette<br />
paradokset gjør utvikling av et system for naturtypeovervåking til en mer utfordrende oppgave enn mange<br />
nok har trodd.<br />
Utbredelsesmodellering, som har utviklet seg til en stor grein innenfor økol<strong>og</strong>isk <strong>og</strong> bi<strong>og</strong>e<strong>og</strong>rafisk<br />
forskning de siste årene, både internasjonalt (Guisan & Zimmermann 2000, Araújo & Guisan 2006, Franklin<br />
2009, Lobo et al. 2010) <strong>og</strong> i Norge (Rinde et al. 2004, 2006, Stokland et al. 2008, Wollan et al. 2008,<br />
Thorsnes et al. 2009), har vært lansert som en mulig løsning på naturtypeovervåkingens hovedutfordring<br />
(Halvorsen 2008). Gode modeller for en naturtypes tilstedeværelse gjør det mulig (i) å predikere<br />
sannsynligheten for å finne naturtypen på ethvert sted, <strong>og</strong> (ii) å estimere det totale arealet av naturtypen,<br />
det vil si det totale arealet av alle polygoner som kan avgrenses med naturtypen. Naturtypemodellering<br />
åpner dermed <strong>og</strong>så for en ny tilnærming til naturtypeovervåking, som har blitt betegnet sannsynlighetsbasert<br />
datainnsamling (B.Ø. Solberg et al., upubl. notat). Sannsynlighetsbasert datainnsamling innebærer<br />
utvelgelse av overvåkingsenheter ved kontrollert overrepresentasjon av steder der naturtypen forventes å<br />
forekomme. Dermed kan naturtypen fanges opp i mange nok overvåkingsenheter til at det er mulig å si noe<br />
arealrepresentativt om den.<br />
En kunnskapsstatus for utbredelsesmodellering i Norge (Stokland et al. 2008) konkluderte med<br />
at utbredelsesmodellering har betydelig anvendelsespotensiale i norsk naturforvaltning, ikke bare<br />
som grunnlag for sannsynlighetsbasert naturtypeovervåking, men <strong>og</strong>så for tilsvarende artsovervåking<br />
<strong>og</strong> andre formål. Interessen for utbredelsesmodellering i Norge har ført til at det de siste årene er<br />
nedlagt et betydelig arbeid i utvikling <strong>og</strong> tilrettelegging av gode prediktorvariabler, for eksempel digitale<br />
terrengmodeller <strong>og</strong> generaliserte klimavariabler (for eksempel trinnløse sone <strong>og</strong> seksjonsvariabler i<br />
PCA-Norge-prosjektet; Bakkestuen et al. 2008). Fortsatt er det imidlertid et meget stort potensiale for<br />
forbedringer innenfor utbredelsesmodellering – av alt fra hva utbredelsesmodellering egentlig innebærer,<br />
det vil si det teoretiske grunnlaget for utbredelsesmodellering (Austin 2007, R. Halvorsen, upubl.<br />
manuskript), via prediksjonsmodellerings<strong>verktøy</strong>ene (testing av metoder <strong>og</strong> valgmuligheter innenfor hver<br />
enkelt metode, <strong>og</strong> av hvilke metoder som egner seg til modellering av data med ulike egenskaper) til<br />
datagrunnlaget (utvikling <strong>og</strong> tilrettelegging av nye prediktorvariabler). Et eksempel på det siste (bedre<br />
datagrunnlag) er fjernmålingsinformasjon (remote sensing data), som ofte blir nevnt som en viktig kilde til<br />
prediktorvariabler for utbredelsesmodellering, på linje med terrengvariabler, klimavariabler etc. (Franklin<br />
2009). For å kunne brukes i utbredelsesmodellering må fjernmålingsinformasjonen kunne gjøres om til<br />
17
prediktorvariabler som skiller én naturtype fra en annen, på samme vis som målinger av en miljøfaktor<br />
skiller naturtyper fra hverandre. Hvilke signaturer (ulike kombinasjoner av sensorvariabelverdier, fra én<br />
eller flere ulike typer av sensorer) er det egentlig som karakteriserer <strong>og</strong> skiller naturtyper? Det veit vi lite<br />
om fordi fjernmålingsinformasjon vanligvis blir brukt på det omvendte viset – direkte til å produsere en<br />
arealtypeinndeling (’satelittbasert vegetasjonskart’). Ulempen ved en slik angrepsvinkel er at ’naturtyper’<br />
som er definert på grunnlag av fjernmåledata (’fjernmåledatabaserte arealtyper’) oftest er vanskelig å<br />
forstå – deres biol<strong>og</strong>iske eller økol<strong>og</strong>iske egenskaper (artssammensetning, miljøforhold) er ikke klart<br />
definert. Piksler kan være klassifisert til samme arealtype fordi de hører til samme naturtype (definert ut fra<br />
artssammensetning <strong>og</strong> miljøforhold), eller de kan komme fra ulike naturtyper som av en eller annen grunn<br />
har liknende signaturer, eller de kan være resultatet av en mosaikk av flere naturtyper på en finere skala<br />
enn pikselstørrelsen. For mange typer sensordata varierer dessuten signaturegenskapene med værforhold,<br />
lysforhold, årstid eller liknende, slik at ett <strong>og</strong> samme sted vil ha forskjellig signatur til ulike tider. Dette fører<br />
til feil <strong>og</strong> stor usikkerhet i klassifikasjon til ’fjernmåledatabaserte arealtyper’. Bradley & Fleischman (2008)<br />
konkluderte derfor at prediktorer avledet fra fjernmåledata knapt forbedret romlige prediksjonsmodeller.<br />
Erikstad et al. (2009) fant vesentlige feil ved et satelittbasert vegetasjonskart for Norge, <strong>og</strong> konkluderte med<br />
at mange arealtyper var vanskelig å tolke. Likevel finnes sannsynligvis typer av fjernmålingsinformasjon med<br />
et betydelig <strong>og</strong> hittil uutnyttet potensiale for utvikling av arealdekkende prediktorer til naturtypemodellering.<br />
Laserscanning (LiDAR) synes særlig interessant i denne sammenhengen fordi LiDARdata kan brukes<br />
til å lage kraftig forbedrete digitale høydemodeller til en overkommelig kostnad (Næsset & Økland 2002,<br />
Holmgren & Persson 2004, Hill & Broughton 2009). Digitale høydemodeller er svært viktige som kilde til<br />
prediktorvariabler for utbredelsesmodellering (van Neil et al. 2004). Kvaliteten på datagrunnlaget er ofte<br />
avgjørende for hvor godt prediktorvariabler som er avledet fra høydemodeller bidrar til å forklare utbredelse<br />
(Lassueur et al. 2006, van Neil & Austin 2007). Utprøving av fjernmålingsbaserte prediktorvariabler i<br />
naturtypemodellering er derfor et viktig ledd i metodeutviklingsarbeidet for overvåking av naturtyper.<br />
1.3 NatTOvprosjektets formål<br />
Ved utgangen av ’Nasjonalt pr<strong>og</strong>ram’ sin andre periode mangler fortsatt viktige brikker i det puslespillet av<br />
et kunnskapsgrunnlag som må komme på plass før et helhetlig system for overvåking av naturtyper i Norge<br />
skal kunne implementeres. Denne rapporten oppsummerer resultater av NatTOvprosjektet, et prosjekt for<br />
arbeidsgruppa for naturtyper under ’Nasjonalt pr<strong>og</strong>ram’ – ’Naturtypeovervåking (NatTOv) – utarbeidelse<br />
av et faglig grunnlag for intensiv naturtypeovervåking’ – som ble startet opp i 2009 med utgangspunktet i<br />
de utfordringene som er skissert i kapittel 2. Formålet med NatTOvprosjektet, slik det er uttrykt i planen<br />
for prosjektet, har vært å utvikle en metodikk for intensiv stratifisert naturtypeovervåking, tilrettelagt for<br />
overvåking av naturtyper som dekker lite totalareal <strong>og</strong> som forekommer spredt over store deler av landet<br />
(<strong>og</strong> som det derfor ikke er praktisk <strong>og</strong> økonomisk mulig å overvåke ved ekstensiv naturtypeovervåking i<br />
et areal(type)representativt nettverk av overvåkingsflater). Prosjektet har hatt følgende uttrykte delmål: (i)<br />
Forbedre presisjon <strong>og</strong> funksjonalitet i NiN gjennom uttesting i felt; (ii) etablere en infrastruktur for videre<br />
arbeid med modellering <strong>og</strong> overvåking av naturtyper; (iii) teste ut fjernmåling som hjelpemiddel for å<br />
identifisere sjeldne naturtyper; <strong>og</strong> (iv) gi anbefalinger om metodikk for stratifisert intensiv naturtypeovervåking<br />
basert på prediksjonsmodellering.<br />
Arbeidet i NatTOvprosjektet er gjennomført etter en detaljert plan med følgende temaer:<br />
1.<br />
2.<br />
3.<br />
4.<br />
18<br />
Utprøving av NiN versjon 1.0 som kartleggingssystem (delmål 1).<br />
Bedre infrastrukturen for naturtypemodellering (delmål 2).<br />
Uttesting av fjernmåling som hjelpemiddel for identifisering av naturtyper, blant annet ved avledning av<br />
nye prediktorvariabler for naturtypemodellering (delmål 3).<br />
Undersøkelser som belyser hvordan romlig prediksjonsmodellering kan brukes i sannsynlighetsbasert<br />
naturtypeovervåking (delmål 4).<br />
1.4 Rapportens oppbygging <strong>og</strong> innhold<br />
Hensikten med NatTOvprosjektet har altså ikke vært å utarbeide en helhetlig plan for kartlegging <strong>og</strong><br />
overvåking av biol<strong>og</strong>isk mangfold i Norge som sådan, men å bidra til det faglige grunnlaget for en slik<br />
plan. Prinsippet om kunnskapsbasert forvaltning forutsetter da <strong>og</strong>så at forvaltning (<strong>og</strong> overvåking) av natur<br />
bygger på et solid faglig grunnlag. Mine egne erfaringer fra større utviklingsprosjekter jeg har deltatt i
gjennom de siste årene (NiN, ’Oppfølging av verneområder – bevaringsmål <strong>og</strong> overvåking’, oppbyggingen<br />
av utbredelsesmodellering som nytt forskningsfelt ved <strong>Naturhistorisk</strong> <strong>museum</strong>, Universitetet i Oslo, arbeidet<br />
med Rødliste for naturtyper basert på NiN) tilsier at dette faglige grunnlaget må inneholde økol<strong>og</strong>isk teori<br />
(hvordan varierer naturen, <strong>og</strong> hvorfor) som utgangspunkt for å definere et presist begrepsapparat.<br />
Denne rapporten fra NatTOvprosjektet er derfor delt i to hoveddeler. Første hoveddel, som består av<br />
denne rapporten, inneholder det faglige grunnlaget for naturtypeovervåking. Annen hoveddel består av de<br />
sju grunnlagsundersøkelsene I–VII, som blir rapportert separat. Grunnlagsundersøkelsene I <strong>og</strong> II adresserer<br />
temaene 1 <strong>og</strong> 2, III–VI er case studies med relevans for tema 4, <strong>og</strong> VII inneholder begrepsapparat <strong>og</strong><br />
analyser som underbygger metodikken for sannsynlighetsbasert naturtypeovervåking (tema 4). Tema 3 vil bli<br />
rapportert separat fra I–VII.<br />
Gjennomgangen av det faglige grunnlaget for naturtypeovervåking i denne rapporten begynner med<br />
å forklare en del økol<strong>og</strong>iske grunn<strong>begreper</strong> med betydning for naturovervåking (kapittel 2) <strong>og</strong> fortsetter<br />
med gjennomgang av naturbeskrivelsessystemet NiN (kapittel 3) <strong>og</strong> de viktigste <strong>verktøy</strong>ene for analyse<br />
av naturtypevariasjon; gradientanalyse <strong>og</strong> utbredelsesmodellering (kapittel 4). Kapittel 5, som er<br />
kjernen i rapporten, starter med å sette natur(type)overvåking i et internasjonalt perspektiv <strong>og</strong> fortsetter<br />
med en gjennomgang av overvåkingsmetoder. Prinsippene for sannsynlighetsbasert utvelgelse av<br />
observasjonssteder blir særlig grundig gjennomgått. Det blir konkludert at vi nå har tilstrekkelig kunnskap<br />
om hvordan natur kan <strong>og</strong> bør overvåkes til å kunne planlegge et helhetlig pr<strong>og</strong>ram for overvåking av<br />
naturmangfold i Norge. Et ’vegkart’ for prosessen fram mot et slikt helhetlig pr<strong>og</strong>ram <strong>og</strong> en metodeplattform<br />
for pr<strong>og</strong>rammet blir framlagt. En rekke spørsmål med relevans for hvordan natur bør overvåkes blir drøftet<br />
på grunnlag av vegkartet <strong>og</strong> metodeplattformen. Den nye kunnskapen som har framkommet gjennom<br />
grunnlagsundersøkelsene i NatTOvprosjektet (I–VII) blir trukket fram, <strong>og</strong> kunnskapshull blir påpekt. I kapittel<br />
6 trekkes trådene sammen i anbefalinger for det videre arbeidet med naturovervåking i Norge.<br />
Innholdet i kapittel 3 er i stor grad bygget på NiN Artikkel 1 (Halvorsen et al. 2009b), som i det følgende<br />
blir referert til som ’NiN Artikkel 1’ etterfulgt av kapittelangivelse. NiN Artikkel 1 inneholder det teoretiske<br />
grunnlaget for NiN, forklart i mye større detalj enn i kapittel 3. Forklaringen av utbredelsesmodellering i<br />
kapittel 4.2 bygger på et ennå upublisert manuskript (R. Halvorsen, upubl. manuskript). Begrepene som<br />
blir benyttet i denne rapporten er norske oversettelser av de engelske begrepene som brukes i dette<br />
manuskriptet. Begrepsapparatet for naturovervåking (i kapittel 5, som bygger på kapittel 2) er resultatet<br />
av et utviklingsarbeid som nå har vart mer enn ti år. Viktige milepæler i denne prosessen har vært DNrapporten<br />
’Plan for overvåking av biol<strong>og</strong>isk mangfold’ (Anonym 1998), rapporten fra arbeidet med ’TOV<br />
2000’ (Framstad & Kålås 2001), NIJOSrapporten ’Samordning av intensiv overvåking i sk<strong>og</strong> med sikte<br />
på mer effektiv virkemiddelbruk <strong>og</strong> forbedret rapportering’ (R. Økland et al. 2004), NiNdokumentet ’Faglig<br />
grunnlag for en helhetlig nasjonal plan for overvåking av naturmangfold <strong>og</strong> rollen til Naturtyper i Norge’<br />
(Halvorsen 2008) <strong>og</strong> et upublisert notat utarbeidet av ’metodegruppa’ i DN sitt prosjekt ’Oppfølging av<br />
verneområder – bevaringsmål <strong>og</strong> overvåking’ (B.Ø. Solberg et al., upubl. notat). Så langt det har vært mulig<br />
innenfor rammene av et konsistent begrepsapparat, har <strong>begreper</strong> som er innarbeidet i Norge gjennom denne<br />
utviklingsperioden blitt videreført i kapitlene 2 <strong>og</strong> 5.<br />
19
2 Grunn<strong>begreper</strong> i økol<strong>og</strong>i med relevans for<br />
naturovervåking<br />
2.1 Indikatorer <strong>og</strong> indikatorvariabler<br />
Overvåking av naturmangfold innebærer registrering av indikatorvariabler; tallfestede observasjoner<br />
av indikatorer på naturmangfold som følges over tid. Indikatorvariabelen er altså en målbar egenskap<br />
ved indikatoren. Eksempler på naturmangfoldindikatorer er arter (indikatorarter) eller (egenskaper ved)<br />
økosystemer, landskaper <strong>og</strong> geol<strong>og</strong>iske forekomster. Eksempler på indikatorvariabler er henholdsvis<br />
antall blomstrende skudd av solblom (Arnica montana) innenfor én slåtteeng, nitr<strong>og</strong>enkonsentrasjonen i<br />
humuslaget i sk<strong>og</strong>smark, graden av fragmentering av jordbruksmark innenfor en kommune tallfestet ved hjelp<br />
av en landskapsstrukturindeks, <strong>og</strong> antallet jordpyramider innenfor et skredområde.<br />
Indikatorer på naturmangfold deles ofte i to hovedgrupper på grunnlag av om de adresser biol<strong>og</strong>isk<br />
mangfold direkte eller indirekte:<br />
• En direkte indikator på biol<strong>og</strong>isk mangfold beskriver mangfoldet av organismer (den levende<br />
komponenten) eller hele naturen på et gitt organisasjonsnivå (Noss 1990) fra gen til landskap (se kapittel<br />
3.3.1), som sådan. Eksempler på direkte indikatorer på biol<strong>og</strong>isk mangfold på ulike organisasjonsnivåer<br />
er totalarealet av nedbørsmyr i Norge (landskapsdelnivået), artssammensetningen på bergvegger<br />
(natursystemnivået), artsantall av moser i ei 1m2 vegetasjonsrute i sk<strong>og</strong>bunnen i frisk barsk<strong>og</strong> på<br />
basefattig grunn (natursystemnivået), estimert antall hekkende individer av vandrefalk i Norge (art/<br />
populasjonsnivået).<br />
• En indirekte indikator på biol<strong>og</strong>isk mangfold beskriver en viktig egenskap ved et landskap, en<br />
20<br />
landskapsdel, et natursystem eller en natursystemdel, men uten å beskrive det biol<strong>og</strong>iske mangfoldet<br />
(organismemangfoldet) som sådan.<br />
En annen måte å gruppere naturmangfoldindikatorer er etter organisasjonsnivå (Noss 1990) (se kapittel<br />
3.3.1 for utfyllende forklaring av begrepet ’organisasjonsnivå’. Organisasjonsnivåer som er relevante for<br />
kartlegging <strong>og</strong> overvåking av naturmangfold er:<br />
• Populasjon (art) ; alle individer av samme art innenfor et avgrenset ge<strong>og</strong>rafisk område på et gitt<br />
tidspunkt; relevante indikatorvariabler for populasjonsnivået er genfrekvenser, dem<strong>og</strong>rafiske egenskaper<br />
som antall, individtetthet, individstørrelse, reproduksjon, rekruttering, vekst <strong>og</strong> dødelighet, <strong>og</strong> utstrekning<br />
(areal av polygon som avgrenser en ± sammenhengende populasjon).<br />
• Samfunn;<br />
organismer (av samme eller ulike arter) som forekommer sammen i tid innenfor et<br />
avgrenset område, uten hensyn til eventuelle relasjoner (positive, nøytrale eller negative) mellom disse<br />
organismene; et eksempel er undervegetasjonen i sk<strong>og</strong> <strong>og</strong> en særlig relevant indikatorvariabel er<br />
artssammensetningen (hvilke arter som finnes innenfor et avgrenset område <strong>og</strong> eventuelt <strong>og</strong>så hvor stor<br />
mengde det er av hver art).<br />
• Økosystem (et ofte brukt synonym er naturtype, som egentlig er snevrere definert; se kapittel<br />
3.1); et mer eller mindre avgrenset <strong>og</strong> ensartet natursystem der samfunn av planter, dyr, sopp<br />
<strong>og</strong> mikroorganismer fungerer i samspill innbyrdes <strong>og</strong> med det ikkelevende miljøet, dvs. et<br />
selvorganiserende system bestående av alle organismer innen et mer eller mindre vel avgrenset<br />
område, det totale miljøet de lever i <strong>og</strong> er tilpasset til, <strong>og</strong> de prosesser som regulerer relasjoner<br />
organismene imellom <strong>og</strong> mellom organismer <strong>og</strong> miljø (herunder menneskelig aktivitet); eksempler er<br />
hovedtyper på natursystem <strong>og</strong> landskapsdelnivåene i NiNsystemet; <strong>og</strong>så ’hotspothabitater’ for<br />
rødlistete arter er økosystemer; relevante indikatorvariabler er antall sammenhengende arealenheter<br />
<strong>og</strong> samlet areal av en gitt natursystemhovedtype innenfor et gitt område, naturtypetilstand <strong>og</strong> total<br />
artsrikdom for utvalgte artsgrupper innenfor en arealenhet av naturtypen.<br />
• Landskap;<br />
et større ge<strong>og</strong>rafisk område med enhetlig visuelt preg skapt av enhetlig dominans<br />
av store landformer <strong>og</strong> kjennetegnet ved karakteristisk fordeling av landformer, landskapsdeler<br />
(<strong>og</strong> natursystemer); en relevant indikatorvariablel er tilstedeværelse/fravær av en gitt type på<br />
landskapsnivået i NiNsystemet.<br />
• Miljøegenskaper,<br />
oppfattes i vid forstand <strong>og</strong> inkluderer <strong>og</strong>så menneskepåvirkning, historisk<br />
bruk etc.; eksempler på relevante indikatorvariabler er målbare kjemiske faktorer som i direkte<br />
forurensningsovervåking.
Både for populasjoner <strong>og</strong> naturtyper på økosystemnivået (i prinsippet <strong>og</strong>så samfunn, men samfunn<br />
blir i denne rapporten <strong>og</strong> i NiNsystemet adressert sammen med miljøforholdene; se kapittel 3.1) er<br />
sammenhengende arealenheter, avgrenset på grunnlag av at en spesiell art forekommer eller på grunnlag<br />
av tilhørighet til en spesifikk naturtype, viktig som observasjonsenhet i overvåkingssammenheng. For å skille<br />
mellom disse to kategoriene av arealenheter blir begrepet artsforekomst eller bare forekomst brukt om<br />
et polygon som omskriver individer av samme art som hører til én <strong>og</strong> samme populasjon <strong>og</strong> som er mer eller<br />
mindre tydelig adskilt fra andre populasjoner. Begrepet naturtypefigur eller figur blir brukt om et polygon<br />
som avgrenser et sammenhengende område typifisert som én <strong>og</strong> samme naturtype <strong>og</strong> som er fysisk adskilt<br />
fra andre arealer med samme naturtype. Fordi begrepet ’forekomst’ brukes om en arealenhet, blir begrepet<br />
tilstedeværelse brukt for å angi at en art eller naturtype finnes på et gitt sted (det vil si i betydningen<br />
presence; se nedenfor).<br />
Indikatorvariabler kan grupperes på mange måter. I denne rapporten vil tre ulike måter å gruppere<br />
indikatorvariabler bli brukt:<br />
1.<br />
2.<br />
3.<br />
På grunnlag av type egenskap (ved indikatoren) de gir uttrykk for<br />
På grunnlag av hvilke metoder som egner seg for å samle inn informasjon om dem<br />
På grunnlag av hvilke observasjonsenheter de er relevante for (se kapittel 2.6)<br />
Indikatorvariabler kan samles i tre kategorier med underkategorier på grunnlag av type egenskap (ved<br />
indikatoren) de gir uttrykk for (Anonym 1998, Halvorsen 2008):<br />
• Strukturvariabler er variabler som beskriver viktige egenskaper ved en art/populasjon eller en naturtype<br />
(type på et gitt naturtypenivå i NiNsystemet; se kapittel 3.3). Strukturvariabler kan beskrive hele<br />
naturen på et gitt organisasjonsnivå (Noss 1990; se forklaring på organisasjonsnivåer i kapittel 3.3.1),<br />
det vil si den levende komponenten i økosystemet (art/populasjon <strong>og</strong> samfunn) <strong>og</strong> miljøforholdene<br />
(livsmediet), eller de kan beskrive én av disse komponentene. Eksempler på strukturvariabler er<br />
nitr<strong>og</strong>eninnholdet i humuslaget i sk<strong>og</strong>smark, totalarealet av myr i Norge, andelen av det totale myrarealet<br />
som er upåvirket av grøfting, <strong>og</strong> graden av fragmentering innenfor et større område, tallfestet ved<br />
hjelp av en landskapsstrukturindeks (for eksempel Fjellstad et al. 2001). Strukturvariabler som<br />
beskriver populasjoner av arter er gjennomsnittlig individstørrelse <strong>og</strong> Gini-koeffisienten som mål på<br />
størrelsesulikhet innen en populasjon (Weiner 1985). Viktige strukturvariabler for naturtypefigurer<br />
er faktisk figurareal, det vil si flateinnholdet av én naturtypefigur (arealenhet) av en spesifikk<br />
naturtype. Faktisk figurareal for alle arealenheter innenfor et større område summerer seg til totalt<br />
faktisk figurareal. De tilsvarende begrepene for utstrekning (flateinnhold) for artsforekomster er<br />
faktisk forekomstareal <strong>og</strong> totalt faktisk forekomstareal. Grunnen til at det tilsynelatende overflødige<br />
’faktisk’ er tatt med i disse begrepene er at figureareal <strong>og</strong> forekomstareal kan defineres (<strong>og</strong> <strong>og</strong>så<br />
blir definert) på andre måter. I kriteriene for rødlisting av arter (Kålås et al. 2010a) <strong>og</strong> naturtyper<br />
(Lindgaard et al. in prep.) brukes for eksempel begrepet forekomstareal om det totale flateinnholdet<br />
av alle ruter med standard størrelse (4 km2 ) som trengs for å omskrive en gitt artsforekomst eller<br />
naturtypefigur. Denne definisjonen gjør at enhver artsforekomst eller naturtypefigur som ligger mer enn<br />
ca. 2,8 km (diagonalen i ei 2 × 2 km rute) fra nærmeste arealenhet av samme type vil få et beregnet<br />
areal på 4 km2 , uansett om den bare omfatter en kilde med diameter 1 m. Om det er få eller mange<br />
artsforekomster eller naturtypefigurer innenfor en avstand på ca. 2,8 km påvirker ikke figurarealet eller<br />
forekomstarealet, det vil fortsatt være 4 km2 . Denne måten å beregne figurareal <strong>og</strong> forekomstareal<br />
er motivert av at rødlistevurdering skal være en vurdering av utdøingsrisiko på grunn av uforutsette<br />
(tilfeldige) negative hendelser (forurensning, sk<strong>og</strong>brann, utbygging etc.), <strong>og</strong> tar utgangspunkt i at slike<br />
tilfeldige enkelthendelser sjelden påvirker områder med større utstrekning enn 2–3 km. Figurareal <strong>og</strong><br />
forekomstareal som er beregnet på grunnlag av tilstedeværelse (eller fravær) av naturtypen eller arten i<br />
et rutenett med fast rutestørrelse, plassert over et større undersøkelsesområde, betegnes henholdsvis<br />
gridded figurareal <strong>og</strong> griddet forekomstareal.<br />
• Funksjonsvariabler er variabler som beskriver funksjonelle sammenhenger, for eksempel mellom<br />
organismer eller organismegrupper innen et avgrenset område, eller mellom tilstedeværelse av<br />
naturtyper <strong>og</strong>/eller arter <strong>og</strong> spesifikke miljøforhold. Typiske funksjonsvariabler er predasjonsrate<br />
(hvor stor andel av fjellrypeindividene innenfor et område som dør pr. år som følge av predasjon) <strong>og</strong><br />
etableringssuksess (for eksempel hvor stor andel av granas frøproduksjon i et gitt år som resulterer i<br />
etablering av nye granplanter).<br />
• Komposisjonsvariabler er variabler som beskriver mangfoldet av organismer (eller naturtyper)<br />
innenfor et avgrenset område, stort eller lite. Komposisjonsvariabler kan deles i enkle (som adresserer<br />
21
22<br />
én art om gangen) <strong>og</strong> sammensatte (som adresserer flere arter på samme tid). Typiske enkle<br />
komposisjonsvariabler er:<br />
◦ Populasjonsstørrelse; som er estimert eller registrert totalt antall individer [genet, avkom fra samme<br />
zygote, eller ramet, fysiol<strong>og</strong>isk mer eller mindre uavhengig plantedel; Harper (1977)] av en gitt art<br />
innenfor et gitt område (f.eks. en artsforekomst) til et gitt tidspunkt (abundance; van der Maarel 2005).<br />
Eksempler på populasjonsstørelse som indikatorvariabler er antall sk<strong>og</strong>lemenindivider i et bestemt<br />
naturreservat i begynnelsen av oktober 2004 estimert på grunnlag av fellefangst, totalt antall stengler<br />
av rød sk<strong>og</strong>frue talt opp på alle kjente lokaliteter i Norge i 2005, <strong>og</strong> totalarealet av trønderlavthalli på<br />
kjente norske lokaliteter i 2006. Begrepet populasjonstetthet brukes om populasjonsstørrelse pr.<br />
flatemålenhet, f.eks. antall sk<strong>og</strong>lemenindivider pr. km 2 .<br />
◦ Forekomstantall; som er estimert eller registrert antall artsforekomster innenfor et område.<br />
◦ Figurantall; som er estimert eller registrert antall naturtypefigurer innenfor et område (parallell for<br />
naturtyper til forekomstantall).<br />
◦ Artsmengde; som er mengden (kvantiteten) av en gitt art innenfor et område, angitt ved en kollektiv<br />
egenskap som ikke forutsetter identifisering av enkeltindividene i en populasjon. Eksempler på<br />
mye brukte artsmengdemål er dekning (vertikalprojeksjonen av biomasse; Du Rietz 1921) <strong>og</strong><br />
smårutefrekvens [andelen av småruter (av totalt mulig antall småruter) innenfor ei vegetasjonsrute<br />
som en planteart er registrert i; et typisk eksempel er fra vegetasjonsovervåkingen i TOV der hver 1m 2<br />
rute deles i 16 småruter á 1/16 m 2 (Økland & Eilertsen 1993, T. Økland 1996, Bakkestuen et al. 2009).<br />
◦ Artstilstedeværelse; som er hvorvidt en art er observert eller ikke innenfor et gitt område (registrering<br />
av tilstedeværelse eller fravær av arter er artsmengderegistrering på en skala med bare to trinn, 0 <strong>og</strong><br />
1).<br />
◦ Naturtypetilstedeværelse; som er hvorvidt en naturtype er observert eller ikke innenfor et gitt område.<br />
◦ Aggregert artsmengde; som er artsmengde (inkludert artstilstedeværelse) beregnet for en gruppe<br />
observasjoner (som har felles egenskaper eller er plassert i samme område). Eksempler er andelen<br />
av naturtypefigurer (patcher) av gitt type i en 1km 2 observasjonsflate i et jordbruksområde (Bratli et<br />
al. 2006) der en gitt art forekommer <strong>og</strong> frekvensen av en art i alle vegetasjonsruter som plasserer seg<br />
innenfor et intervall med bredde 1 S.D.-enhet langs en DCA-ordinasjonsakse (se kapittel 4.1.2 for<br />
nærmere forklaring).<br />
◦ Vitalitet; som er tilstanden til individer av en gitt art i et gitt område, for eksempel gjennomsnittlig<br />
kronetetthet for gran i Norge basert på registreringer i 1998.<br />
Typiske sammensatte komposisjonsvariabler er:<br />
◦ Artssammensetning; som omfatter alle arter registrert innenfor et område, for eksempel ei liste<br />
over alle arter karplanter, moser <strong>og</strong> lav innenfor en naturtypefigur av slåtteeng i tidlig gjengroingsfase<br />
i et jordbruksområde.<br />
◦ Artsantall; som er antallet arter (som tilhører en gitt organismegruppe) innenfor et område, for<br />
eksempel antall karplantearter i ei permanent merket 1m 2 vegetasjonsrute i gransk<strong>og</strong>.<br />
Artssammensetningen skiller seg fra alle andre indikatorvariabler ved å være en kompleks (flervariabel,<br />
multivariat) indikatorvariabel som består av mange enkeltvariabler (registreringer av artsmengde eller<br />
artstilstedeværelse for hver enkelt art). Artsantallet regnes som en sammensatt komposisjonsvariabel fordi<br />
den forutsetter registrering av hele artssammensetningen.<br />
Funksjons <strong>og</strong> komposisjonsvariablene beskriver typiske direkte indikatorer på biol<strong>og</strong>isk mangfold, men<br />
strukturvariabler kan <strong>og</strong>så beskrive direkte indikatorer på biol<strong>og</strong>isk mangfold.<br />
Indikatorvariabler i naturmangfoldovervåking kan <strong>og</strong>så deles inn etter en kombinasjon av egenskap<br />
(se over) <strong>og</strong> hvilke(n) metode(r) som egner seg for å samle informasjon om dem. Følgende inndeling i fem<br />
kategorier vil bli mye brukt i denne rapporten:<br />
• Enkle komposisjonsvariabler (populasjonsstørrelse, artsmengde)<br />
• Sammensatte komposisjonsvariabler (artssammensetning <strong>og</strong> artsantall)<br />
• Arealdekkevariabler (figurareal <strong>og</strong> forekomstareal)<br />
• Arealstrukturvariabler (fordelingen av ulike naturtyper eller andre ’elementer’ innenfor et område, for<br />
eksempel gjennomsnittlig faktisk figurareal for en gitt naturtype innenfor et område)<br />
• Tilstandsvariabler [standardisert angivelse av en tidsavgrenset utforming av en type natur; kan for<br />
eksempel for en arealenhet av en gitt naturtype (naturtypetilstand) være graden av eutrofiering, omfanget<br />
av fremmedartsinnslag eller fase i gjengroingsforløpet etter opphør av bruk, <strong>og</strong> for en populasjon (vitalitet)<br />
være andel reproduserende individer, gjennomsnittlig individstørrelse <strong>og</strong> omfanget av naturlig foryngelse;
egrepet miljøtilstand brukes om registrering av miljøvariabler som ikke (primært) har som formål å være<br />
indirekte indikatorer på biol<strong>og</strong>isk mangfold]<br />
Begrepet komposisjonsvariabler brukes i samme mening i de to inndelingene, bortsett fra at vitalitet ikke regnes<br />
som en komposisjonsvariabel i denne siste inndelingen. Funksjons <strong>og</strong> strukturvariabler i den første inndelingen<br />
blir i denne siste inndelingen fordelt på flere kategorier.<br />
2.2 Kartlegging <strong>og</strong> overvåking<br />
Med kartlegging menes registrering av indikatorvariabler med standardiserte <strong>og</strong> veldokumenterte metoder<br />
slik at andre observatører på et seinere tidspunkt skal kunne gjenta registreringene på nøyaktig samme<br />
måte. Gjentatt kartlegging resulterer i en tidsserie for indikatorvariabelen. Overvåking er systematisk<br />
gjentatt kartlegging. Fordi all overvåking starter med første gangs kartlegging, er det i mange sammenhenger<br />
hensiktsmessig å operere med begrepet ’kartlegging <strong>og</strong> overvåking’.<br />
Med kartleggings- <strong>og</strong> overvåkingstema menes grupper av indikatorvariabler som tematisk hører<br />
sammen. Eksempler på overvåkingstemaer i sk<strong>og</strong> er trevitalitet <strong>og</strong> markvegetasjon (R. Økland et al. 2004).<br />
2.3 Statistiske grunn<strong>begreper</strong>: observasjon, utvalg <strong>og</strong> populasjon<br />
En indikatorvariablel inneholder et antall observasjoner av en egenskap ved en naturmangfoldindikator.<br />
Indikatorene kan være arter med egenskaper som gjør dem spesielt velegnet for overvåking, for eksempel<br />
dokumentert følsomhet overfor en spesiell påvirkning (indikatorarter), grupper av arter (for eksempel<br />
lav som indikatorer på luftforurensning; Bruteig 2008), eller naturtyper eller en grupper av naturtyper (for<br />
eksempel ’blåbærdominert gransk<strong>og</strong>’ som representant for ’allmennaturen’ i sk<strong>og</strong>; overvåkingstema i<br />
vegetasjonsovervåkingen i TOV; Økland & Eilertsen 1993, T. Økland 1996, Bakkestuen et al. 2009).<br />
I statistikkfaget brukes begrepet populasjon om totalmengden av enkeltenheter av det fenomenet<br />
(her: naturmangfoldindikatoren) man ønsker å undersøke. Dersom indikatoren er en art <strong>og</strong> denne skal<br />
undersøkes innenfor et mindre, velavgrenset område, kan den statistiske populasjonen <strong>og</strong> den biol<strong>og</strong>iske<br />
populasjonen (totalt antall individer av en gitt art innenfor et gitt område til et gitt tidspunkt; se kapittel 2.1)<br />
være lik. I noen slike tilfeller kan det være overkommelig å undersøke alle enkeltenhetene som populasjonen<br />
består av. Men innenfor et større område, for eksempel Norge, er de aller fleste naturegenskaper som<br />
kan være aktuelle som naturmangfoldindikatorer representert med et utall enkeltenheter. Og fordi landet<br />
er så stort, uoversiktlig <strong>og</strong> til dels <strong>og</strong>så utilgjengelig, er det neppe for noen potensiell indikator mulig å<br />
totalregistrere en indikatorvariabel (det vil si gjøre registreringer for alle enkeltenhetene som den statistiske<br />
populasjonen består av). Uansett hvor stor leiteinnsats som blir lagt ned vil man aldri kunne garantere<br />
at det ikke finnes uoppdagete enkeltenheter. Innenfor et mindre, avgrenset område vil det i noen tilfeller<br />
være mulig å få oversikt over hele populasjonen av naturtypefigurer, forekomster av landformenheter eller<br />
arter. Men dette vil være unntak. For de aller fleste indikatorvariabler vil det være opplagt at ikke hele<br />
den statistiske populasjonen kan kartlegges <strong>og</strong> overvåkes. Dermed blir vi henvist til å estimere, det vil si<br />
anslå, indikatorvariablenes egenskaper på grunnlag av et utvalg av observasjoner. Et slikt utvalg består<br />
av et antall observasjoner; hver observasjon er én registerert verdi for indikatorvariabelen) som er gjort for<br />
enkeltenheter av indikatoren valgt ut blant alle enkeltenhetene den statistiske populasjonen består av. Oftest<br />
innebærer estimering at det gjøres anslag for egenskaper ved indikatorvariabelen, på grunnlag av antakelser<br />
om dens statistiske fordelingsegenskaper. I tillegg kan vi ønske å bruke utvalget av observasjoner til å teste<br />
hypoteser om indikatorvariabelen eller til å modellere sammenhenger mellom indikatorvariabelen (den<br />
betegnes responsvariabel; egenskapen vi ønsker å si noe om) <strong>og</strong> prediktorvariabler (forklaringsvariabler i<br />
modellen).<br />
I naturmangfoldovervåking brukes begrepet observasjonsbegivenhet om en observasjon som inngår i<br />
en tidsserie av observasjoner av en indikatorvariabel. En slik tidsserie består ofte av gjentatte registreringer<br />
på ett <strong>og</strong> samme faste sted (observasjonsstedet) til ulike tidspunkter (observasjonstidspunktene), men<br />
observasjonsstedene behøver ikke nødvendigvis være faste. Indikatorer som flytter seg (f.eks. dyr, kortlevete<br />
planteindivider) lar seg ikke overvåke på faste observasjonssteder. Begrepet observasjonsenhet brukes<br />
derfor om enhver avgrensbar enhet der det blir foretatt observasjoner av en indikatorvariabel i kartleggings<br />
eller overvåkingsøyemed. Observasjonsenheten er oftest et observasjonssted, men kan <strong>og</strong>så være et<br />
dyreindivid, et planteindivid eller en artsforekomst.<br />
Dersom det er mulig, bør observasjoner i naturovervåking gjøres på faste observasjonssteder, <strong>og</strong><br />
23
disse faste stedene bør være best mulig georeferert (stedfestet; det vil si angitt med presise ge<strong>og</strong>rafiske<br />
koordinater). Georefererte observasjonssteder betegnes observasjonspunkter (1D objekter),<br />
observasjonsarealer (2D objekter; polygoner) eller observasjonsvolum (3D objekter; legemer). Et<br />
eksempel på et observasjonspunkt er et fast punkt for landskapsfot<strong>og</strong>rafering (Puschmann et al. 2006).<br />
Observasjonsarealer kan være hele naturtypefigurer, artsforekomster eller deler av slike, f.eks. fast<br />
oppmerkete 1m 2 vegetasjonsruter i sk<strong>og</strong>bunnen i et TOVovervåkingsområde der smårutefrekvens blir<br />
registrert for alle plantearter (relevante indikatorvariabler er artssammensetning <strong>og</strong> artsmengde) med fem<br />
års mellomrom. Registreringer i vegetasjonsrutene i TOVområdet i Solhomfjell (Gjerstad, AustAgder)<br />
startet opp i 1988, <strong>og</strong> etter siste omdrev i 2008 består denne tidsserien av fem observasjonsbegivenheter<br />
for hvert av de 100 observasjonsstedene (Halvorsen et al. 2009c). En typisk volumenhet er en avgrenset<br />
marin vannmasse, for eksempel en avgrenset masse atlantisk vann på dyp under ca. 150 m i S<strong>og</strong>nefjorden<br />
(atlantisk vann er et trinn langs den regionale økoklinen marine vannmasser i NiN; se kapittel 3.3.3).<br />
Det er ikke mulig å trekke et skarpt skille mellom et observasjonspunkt <strong>og</strong> et observasjonsareal; de aller<br />
fleste observasjoner gjøres på et observasjonssted med en viss ge<strong>og</strong>rafisk utstrekning (for eksempel<br />
har enkeltindivider av planter både en horisontal <strong>og</strong> vertikal utstrekning). Begrepet observasjonspunkt<br />
blir ofte brukt om små observasjonssteder med standard utstrekning, for eksempel insektfeller eller<br />
faste 1m 2 vegetasjonsruter i sk<strong>og</strong>bunnen. For å unngå begrepsforvirring, vil i denne rapporten<br />
begrepet observasjonssted bli brukt som samlebegrep for observasjonspunkt, observasjonsareal <strong>og</strong><br />
observasjonsvolum, <strong>og</strong> begrepet observasjon blir brukt om én enkelt registerert verdi for en indikatorvariabel.<br />
2.4 Begreper knyttet til utvalg av observasjoner<br />
Begrepet overvåkingsmetode blir brukt om ei ’pakke’ med tre samlinger av metode<strong>verktøy</strong> <strong>og</strong><br />
prosedyrer: utvalgsmetode (metode for utvelgelse <strong>og</strong> plassering av observasjonssteder; = sampling<br />
design), registreringsmetode (metode for innsamling av observasjoner på observasjonsstedene), <strong>og</strong><br />
analysemetode (metoder for statistisk analyse av det innsamlete datamaterialet). Begrepene datafangst <strong>og</strong><br />
datainnsamling brukes som synonyme fellesbetegnelser for valg av utvalgsmetode <strong>og</strong> registreringsmetode.<br />
Uavhengig av hvilken utvalgsmetode som blir valgt (et overblikk over utvalgsmetoder som er aktuelle<br />
for naturovervåking er gitt i kapittel 5.3), innebærer det å foreta et utvalg en filtrering av mulig informasjon<br />
om naturfenomenet som skal undersøkes. Denne filtreringen begrenser spekteret av egenskaper ved<br />
dette naturfenomenet som det er mulig å studere ved analyse av innsamlete data (R. Økland 2007). Dette<br />
kan illustreres med et eksempel. Dersom vi registrerer karplanteartsantallet i vegetasjonsruter som hver<br />
er 1 m 2 , vil vi ikke kunne si noe direkte om karplanteartsantallet i ruter som er 0,25 m 2 med mindre vi<br />
<strong>og</strong>så har registrert artsforekomst i småruter som til sammen utgjør 0,25 m 2 . Å foreta et utvalg innebærer<br />
dessuten at det introduseres tilfeldig variasjon (stokastisitet) i indikatorvariabelen; vi kan ikke forvente<br />
at det gjennomsnittlige karplanteartsantallet i et utvalg på 50 vegetasjonsruter á 1 m 2 fra et sk<strong>og</strong>område<br />
med utstrekning 1 km 2 skal være eksakt lik middelverdien for antallet karplantearter i hele populasjonen<br />
av 1 000 000 mulige 1m 2 ruter som kunne vært plassert ut i denne sk<strong>og</strong>en. Om så var, ville det være<br />
et heldig slumpetreff. Men mest sannsynlig er utvalget vårt ikke stort nok til å representere variasjonen<br />
i observasjonsområdet helt perfekt. Det er derfor avgjørende viktig å skille mellom egenskaper ved det<br />
studerte naturfenomenet som sådan (utbredelsen av en art, miljøforholdene som betinger denne utbredelsen<br />
<strong>og</strong> de mekanismene <strong>og</strong> prosessene miljøforholdene virker på naturfenomenet gjennom) <strong>og</strong> de slutningene<br />
om egenskaper som kan trekkes på grunnlag av resultater av analyser av utvalgsdata (Dungan et al. 2002).<br />
De viktigste egenskaper ved utvalg av observasjoner er kornstørrelsen (grain), det vil si utstrekningen<br />
av hvert enkelt observasjonssted, <strong>og</strong> omfanget (extent) eller definisjonsområdet, det vil si utstrekningen<br />
av hele området utvalget skal representere, det vil si det totale området som man ønsker å kunne trekke<br />
slutninger om (Wiens 1989, Dungan et al. 2002). I vegetasjonsovervåkingen i Solhomfjellområdet er for<br />
eksempel kornstørrelsen 1 m (vegetasjonsruter á 1 m 2 ) <strong>og</strong> omfanget er 2,6 km (R. Økland & Eilertsen 1993).<br />
Men Solhomfjellområdet inngår som ett av 17 områder i et nasjonalt nettverk av overvåkingsområder i<br />
blåbærdominert barsk<strong>og</strong> i Norge (T. Økland et al. 2004). Når vegetasjonsrutene skal representere variasjon<br />
i Norge, er omfanget hele Norge. Med begrepet kornstørrelse menes utstrekningen av hvert enkelt<br />
observasjonssted. Kornstørrelsen angis ofte som største lineære utstrekning av ett enkelt observasjonssted<br />
sjøl om de fleste observasjonssteder har utstrekning i to (eller tre) dimensjoner. Kornstørrelsen kan <strong>og</strong>så<br />
ha en tidsdimensjon, for eksempel antall felledøgn det er drevet fellefangst av smågnagere på hvert<br />
observasjonssted (Framstad 2010b) <strong>og</strong> antall år fruktlegemer av storsopper er blitt registrert i permanente<br />
16m 2 prøveflater (Bendiksen et al. 2004).<br />
Spesifikasjonene for utvalget av observasjonsenheter (kornstørrelsen, definisjonsområdet, antallet<br />
<strong>og</strong> plasseringen av observasjonsteder) bestemmer hvor pålitelige <strong>og</strong> representative estimatene<br />
24
for indikatorvariabelegenskapene vil bli. En generell regel er imidlertid at bare variasjon mellom<br />
observasjonsenheter, det vil si variasjon på romlige skalaer grovere enn kornstørrelsen, kan ’forklares’ ved<br />
analyse av data (Wiens 1989). En annen generell regel er at standardavviket for et estimat for middelverdien<br />
(standardfeilen) er omvendt proporsjonal med kvadratroten av antallet observasjoner, det vil si at en<br />
firedobling av antallet observasjoner halverer standardavviket til middelverdiestimatet (Crawley 2007).<br />
Mange utvalg består av hierarkisk nøstete observasjonssteder, det vil si observasjonssteder som<br />
er samlet i grupper, observasjonsområder, som igjen kan være samlet i større grupper etc., innenfor<br />
undersøkelsens definisjonsområde. Et slikt nøstet utvalg (nested sampling design; Austin 1981) kan derfor<br />
inneholde ett eller flere nøstingsnivåer. Vegetasjonsovervåkingen i TOV er eksempel på et nøstet utvalg<br />
med to nøstingsnivåer. De enkelte observasjonsstedene, vegetasjonsrutene á 1 m 2 , er tilfeldig plassert<br />
innenfor storruter á 50 m 2 (eller langs transekter av varierende lengde; R. Økland & Eilertsen 1993),<br />
fem vegetasjonsflater i hver storrute (T. Økland 1996, Bakkestuen et al. 2009). Storrutene utgjør laveste<br />
nøstingsnivå (nøstingsnivå 2) i dette utvalget, mens nøstingsnivå 1 utgjøres av de ge<strong>og</strong>rafisk adskilte<br />
overvåkingsområdene (referanseområdene), seks i bjørkesk<strong>og</strong> <strong>og</strong> elleve i gransk<strong>og</strong> (R. Økland et al.<br />
2004, T. Økland et al. 2004; Halvorsen 2008). Begrepet referanseområde blir i denne rapporten brukt om<br />
observasjonsområder som er subjektivt valgt ut på grunn av spesielle egenskaper (urørthet, tilstedeværelse<br />
av spesielle naturtyper, el.l.) <strong>og</strong> som utgjør øverste nøstingsnivå i et nøstet utvalg. Ofte er begrepet<br />
referanseområde<br />
knyttet til begrepet integrert overvåking (se kapittel 5.1). Et annet eksempel på observasjonsområde<br />
i nøstet datafangst er 1 km 2 -flatene i 3Q-pr<strong>og</strong>rammet (Dramstad et al. 2002). Innenfor hver 3Q-flate<br />
avgrenses arealenheter etter et fastlagt typesystem. Hver arealenhet utgjør ett observasjonssted for<br />
indikatorvariabelen arealtype. Observasjonssteder for én indikatorvariabel kan fungere som nøstingsnivå<br />
i et nøstet utvalg for en annen indikatorvariabel. I den populasjonsbiol<strong>og</strong>iske overvåkingen av<br />
etasjemose som er knyttet til vegetasjonsovervåkingen i gransk<strong>og</strong> i TOV (R. Økland 1995c, Halvorsen<br />
2010b) er observasjonsenhetene enkeltskudd av etasjemose, som er nøstet inni observasjonssteder<br />
(’dem<strong>og</strong>rafiruter’) som utgjør en del av en 1-m 2 vegetasjonsrute. Fordi det alltid bare er én dem<strong>og</strong>rafirute<br />
i en vegetasjonsrute, utgjør ikke dem<strong>og</strong>rafirutene <strong>og</strong> vegetasjonsrutene separate nøstingsnivåer.<br />
Utvalgsmetoden for etasjemosepopulasjonsdynamikk inneholder derfor tre nøstingsnivåer: enkeltskudd<br />
(observasjonsenheter, der observasjonene av indikatorvariabler som størrelse, forgreiningsrate, skade etc.<br />
blir gjort) i dem<strong>og</strong>rafiruter (nøstingsnivå 3), dem<strong>og</strong>rafiruter i vegetasjonsruter i storruter (nøstingsnivå 2) <strong>og</strong><br />
referanseområder (nøstingsnivå 1).<br />
Definisjonsområdet (omfanget) for en overvåkingsundersøkelse kan være hele Norge eller en liten del<br />
av Norge, for eksempel et enkelt verneområde (slik som i DNprosjektet ’Oppfølging av verneområder –<br />
bevaringsmål <strong>og</strong> overvåking’; B.Ø. Solberg et al., upubl. notat). Framstad & Kålås (2001) bruker begrepet<br />
’ekstensiv overvåking’ om overvåking som er basert på arealrepresentativ datainnsamling <strong>og</strong> som har<br />
til hensikt å si noe om utviklingen innenfor et stort definisjonsområde (for eksempel Norge) <strong>og</strong> ’intensiv<br />
overvåking’ om overvåking som innebærer detaljerte studier i referanseområder. I ’Plan for overvåking av<br />
biol<strong>og</strong>isk mangfold’ (Anonym 1998) brukes begrepet ’ekstensiv overvåking’ i en litt annen betydning, om<br />
overvåking som tar utgangspunkt i arealrepresentativ datainnsamling <strong>og</strong> som har til hensikt å framskaffe<br />
estimater med gyldighet for hele definisjonsområdet, uavhengig av om definisjonsområdet er stort eller<br />
lite. Tilsvarende brukes begrepet ’intensiv overvåking’ om overvåking med referanseområder eller deler<br />
av referanseområder som observasjonsenheter, fortrinnsvis med gradientbasert datainnsamling. Begrepet<br />
’ekstensiv’ brukes i andre sammenhenger som motsats til begrepet ’intensiv’, for eksempel for skille å<br />
metoder som krever liten arbeidsinnsats pr. observasjon (’ekstensive metoder’) fra metoder som krever stor<br />
arbeidsinnsats (’intensive metoder’). I forbindelse med driftsformer i jordbruket brukes begrepsparet om ’lite<br />
dyptgripende’ <strong>og</strong> ’dyptgripende’ kultiveringsmetoder (Halvorsen et al. 2009a). Fordi begrepene ’ekstensiv’<strong>og</strong><br />
’intensiv’ brukes i så mange betydninger at de er mer egnet til å forvirre enn å skape klarhet, blir de ikke<br />
brukt i denne rapporten. I stedet brukes separate sett av <strong>begreper</strong> for å beskrive utvalgsmetodikk <strong>og</strong> for<br />
å beskrive overvåkingsundersøkelsens definisjonsområde. To <strong>begreper</strong> er særlig nyttige for å beskrive<br />
definisjonsområdet for overvåkingsundersøkelser:<br />
• Nasjonal overvåking;<br />
overvåking som har til hensikt å si noe om status <strong>og</strong> utvikling for en<br />
indikatorvariabel med gyldighet for hele Norge eller en større del av Norge, eventuelt for en bestemt<br />
naturtype i hele (eller en større del av) Norge.<br />
• Områdefokusert overvåking;<br />
overvåking som har til hensikt å si noe om status <strong>og</strong> utvikling for en<br />
indikatorvariabel innenfor et avgrenset område, for eksempel et verneområde.<br />
Det er ingen skarp grense mellom nasjonal overvåking <strong>og</strong> områdefokusert overvåking, <strong>og</strong> de to begrepene<br />
vil bare bli benyttet i sammenhenger hvor de ikke kan misforstås.<br />
25
2.5 Begreper for romlig skala <strong>og</strong> utbredelse<br />
Begrepet ’skala’ er helt essensielt i økol<strong>og</strong>ien, blant annet for å beskrive egenskaper ved utvalg av<br />
observasjonssteder (som kornstørrelse <strong>og</strong> omfang). Skalabegrepet blir imidlertid brukt i en lang rekke ulike<br />
betydninger, som hver <strong>og</strong> en trenger et presist definert begrep (Dungan et al. 2002). Dette kapitlet inneholder<br />
alle <strong>begreper</strong> som blir benyttet i denne rapporten for å beskrive romlige skalaer. Begrepene <strong>og</strong> definisjonene<br />
følger Halvorsen (upubl. manuskript). Begrepet romlig skalaområde (spatial domain) brukes om intervallet<br />
(på en lineær meterskala) mellom kornstørrelsen <strong>og</strong> omfanget, det vil si det største intervallet et utvalg av<br />
observasjoner i teorien skal kunne brukes til å si noe om variasjonen innenfor. For mange praktiske formål vil<br />
imidlertid bare variasjonsmønstre i nedre del av dette skalaområdet kunne avdekkes gjennom analyse; for<br />
eksempel anbefaler Rossi et al. (1992) at analyse av romlig statistiske mønstre begrenses til nedre 1/5 – 1/3<br />
av undersøkelsesområdets utstrekning (omfanget). Forholdstallet mellom omfang <strong>og</strong> kornstørrelse (extentgrain<br />
ratio), som i eksemplet fra overvåkingsområdet i Solhomfjell er 2,6 km/1 m = 2 600, kan brukes som<br />
mål på den maksimale relative størrelsen på det romlige skalaområdet som kan adresseres ved analyse av<br />
et gitt datasett.<br />
Begrepspar som ’fin romlig skala’ <strong>og</strong> ’grov romlig skala’, <strong>og</strong> ’lokal skala’ <strong>og</strong> ’regional skala’, brukes både<br />
for å beskrive utvalgsmetoder <strong>og</strong> for å beskrive egenskaper ved et naturfenomens fordelingsmønstre. Hvilke<br />
romlige skalaområder som egentlig menes når disse begrepene blir brukt, er imidlertid ofte uklart fordi disse<br />
begrepene brukes ulikt av ulike forfattere. En hovedgrunn til uklarhet er at ’romlig skala’ egentlig har to<br />
’dimensjoner’, kornstørrelsen <strong>og</strong> omfanget, <strong>og</strong> at begrepene som er nevnt ovenfor brukes med referanse til<br />
bare én av disse. Oftest adresseres omfanget (for eksempel Willis & Whittaker 2002, Pearson & Dawson<br />
2003), men i NiN er det kornstørrelsen som blir lagt til grunn for hvordan disse begrepene blir brukt (f.eks. er<br />
begrepene lokal basisøkoklin <strong>og</strong> regional økoklin definert på grunnlag av kornstørrelsen; NiN Artikkel 1: D2d,<br />
se <strong>og</strong>så kapittel 2.3.3).<br />
Ofte brukes <strong>begreper</strong> som ’regional skala’ <strong>og</strong> ’lokal skala’ til å beskrive hvilke ’skalaer’ det ’finnes mønstre’<br />
eller ’er særlig stor variasjon’. Gitt at vi skal bruke en bestemt metode for å tallfeste variasjon (se nedenfor),<br />
trengs altså informasjon både om kornstørrelsen i <strong>og</strong> omfanget av et utvalg for å kunne angi ’romlig skala’<br />
presist. For å forenkle beskrivelsen av ’romlig skala med særlig stor variasjon’ foreslår Halvorsen (upubl.<br />
manuskript) at sammenlikning av variasjon mellom ulike romlige skalaområder bør gjøres med referanse til<br />
standardiserte utvalgsmetoder, det vil si utvalgsmetoder med fast forholdstall [for eksempel 16 (2 4 )] mellom<br />
omfang <strong>og</strong> kornstørrelse. Da kan standardisert romlig skala med særlig stor variasjon (standardised<br />
spatial scale of high variability) beskrives på én lineær skala (Tabell 1), for eksempel definert av ved<br />
utstrekningen på ett observasjonssted (kornstørrelsen), fordi områdeutstrekningen er gitt når kornstørrelsen<br />
er gitt.<br />
Et eksempel på en utvalgsmetode som gjør det mulig å beregne standardisert romlig skala med<br />
særlig stor variasjon er et rutenett-basert utvalg (grid sampling design) med utgangspunkt i en<br />
gridding (’oppruting’) av Norge (undersøkelsens definisjonsområde) i ca. 320 milliarder potensielle<br />
observasjonssteder (ruter) á 1 m 2 . Et rutenett med standard rutestørrelse gjør det mulig å slå sammen ruter<br />
(grid cells) til større observasjonsområder i flere omganger <strong>og</strong> på en standardisert måte slik at hver gruppe<br />
av ruter alternativt kan utgjøre et eget utvalg eller en enkelt observasjon i et utvalg på et høyere nøstingsnivå<br />
i et nøstet utvalg. I eksemplet med det opprutete Norge kan et nøstet utvalg ha observasjonssteder á 1 m 2<br />
på laveste nivå. Ei gruppe med16 × 16 1m 2 ruter fra et 256m 2 stort observasjonsområde utgjør et datasett<br />
Tabell 1. Standardisert begrepsapparat for romlige skalaer som blir adressert av en gitt utvalgsmetode med<br />
referanse til utvalg med et fast forholdstall, 16, mellom områdeutstrekning <strong>og</strong> kornstørrelse.<br />
Betegnelse Kornstørrelse (m) Områdeutstrekning (m)<br />
mikroskala < 1 < 16<br />
fin lokal skala 1–10 16–160<br />
middels fin lokal skala 10–100 160–1 600<br />
grov lokal skala 100–1 000 1 600–16 000<br />
fin regional skala 1 000–30 000 16 000–480 000<br />
grov regional skala 30 000–1 000 000 480 000–16 000 000<br />
global skala > 1 000 000 > 16 000 000<br />
26
Fig. 1. Gruppering av indikatorer <strong>og</strong> indikatorvariabler på grunnlag av hvilke observasjonsenheter som er<br />
relevante. Figuren viser ni gridruter innenfor et stort definisjonsområde for en overvåkingsundersøkelse.<br />
Tre av gridrutene (avgrenset av ei tjukk, rød linje) inngår i et utvalg av observasjonssteder for overvåking<br />
av tilstedeværelse av naturtypen. Indikatorvariabler som kan registreres der naturtypen er til stede kan<br />
registreres i tre underkategorier av observasjonsenheter: i gridruter (markert med lys rød bakgrunnsfarge)<br />
som inneholder naturtypen (avgrenset av brunrød linje), i naturtypefigurer som ligger innenfor gridruter<br />
(markert med mørkere brungul bakgrunnsfarge) eller i naturtypefigurer uten referanse til et grid over<br />
definisjonsområdet (omfatter alle naturtypefigurer, avgrenset av brunrød linje <strong>og</strong> markert med gulbrun<br />
bakgrunnsfarge). Observasjonsenheter for indikatorvariabler som bare kan registreres på en art der denne<br />
er til stede i den aktuelle naturtypen er markert som ringer med rød bakgrunnsfarge. Andre forekomster for<br />
denne arten er markert som åpne, ufylte ringer.<br />
med kornstørrelse 1 m <strong>og</strong> omfang 2 4 = 16 m. 16 × 16 ruter á 256 m 2 (samlet areal 256 2 m 2 = 65 536 m 2 )<br />
utgjør et datasett med kornstørrelse 16 m <strong>og</strong> omfang 256 m (2 4 ·2 4 m = 2 8 m); 16 × 16 av disse rutene kan<br />
samles til ruter på 256 3 m 2 (hver slik enhet har kornstørrelse 256 m <strong>og</strong> omfang 2 8 ·2 4 m = 2 12 m = 4 024 m), <strong>og</strong><br />
videre kan 16 × 16 av disse rutene igjen samles til ruter på 256 4 m 2 (hver slik enhet har kornstørrelse 4 096<br />
m <strong>og</strong> omfang 2 12 ·2 4 m = 2 16 m = 65 536 m). På øverste nøstingsnivå kan 65,5 × 65,5 mrutene brukes som<br />
27
observasjonssteder på den groveste romlige skalaen, med Norge som omfang (definisjonsområdet vil i dette<br />
tilfellet ha en uregelmessig form).<br />
Det er mange måter å tallfeste totalvariasjonen i en variabel (se R. Halvorsen, upubl. manuskript);<br />
den mest brukte er kvadratsummen (sum of squares), det vil si summen, over alle observasjoner, av<br />
observasjonenes kvadrerte avvik fra gjennomsnittsverdien. Kvadratsummen kan beregnes for ethvert utvalg,<br />
uavhengig av kornstørrelse <strong>og</strong> omfang. I nøstete utvalg kan totalvariasjonen for en variabel (for eksempel<br />
variasjonen i en arts tilstedeværelse eller mengde, en naturtypes tilstedeværelse eller målte verdier for en<br />
miljøvariabel) fordeles additivt mellom nøstingsnivåene (det vil si at totalvariasjonen på ett nivå er summen<br />
av variasjonen innen <strong>og</strong> variasjonen mellom grupper på hvert lavere nivå). Kvadratsummens additivitet<br />
gjør det mulig å identifisere den standardiserte romlige skalaen der variasjonen i en gitt indikatorvariabel er<br />
størst.<br />
Totalt griddet figurareal for en naturtype <strong>og</strong> totalt griddet forekomstareal for en art, det vil si<br />
flateinnholdet av alle ruter i et rutenett med fast rutestørrelse der naturtypen eller arten er registrert som til<br />
stede, er lik figurantallet respektivt forekomstantallet multiplisert med gridrutas flateinnhold. I motsetning<br />
til faktisk figurareal <strong>og</strong> faktisk forekomstareal er griddet figurareal <strong>og</strong> griddet forekomstareal avhengig av<br />
rutestørrelsen i rutenettet. Det samme gjelder beregninger av et utbredelsesområdes totalutstrekning<br />
(flateinnholdet av området innenfor et naturfenomens ytterste utbredelsesgrenser; Gaston 1991). En annen<br />
viktig egenskap ved naturfenomener som er avhengig av kornstørrelse <strong>og</strong> omfang i et utvalg, eventuelt <strong>og</strong>så<br />
andre forhold (Dungan et al. 2002, Gaston & Fuller 2009), er arter <strong>og</strong> naturtypers prevalens (Hirzel et al.<br />
2006), det vil si andelen av gridruter der naturfenomenet er registrert som til stede (relativ frekvens).<br />
2.6 Gruppering av indikatorer <strong>og</strong> indikatorvariabler på grunnlag av hvilke<br />
observasjonsenheter som er relevante<br />
I kapittel 2.3 blir begrepet observasjonsenhet definert som ’ enhver avgrensbar enhet der det blir<br />
foretatt observasjoner av en indikatorvariabel i kartleggings eller overvåkingsøyemed’, mens begrepet<br />
observasjonssted blir definert som et fast sted som fungerer som observasjonsenhet. En tredje måte å<br />
gruppere indikatorer <strong>og</strong> indikatorvariabler (jf. kapittel<br />
2.1) er på grunnlag av hvilke observasjonsenheter som er relevante. Tre kategorier kan identifiseres (se VII: 2.1<br />
for utfyllende forklaring <strong>og</strong> Fig. 1 for illustrasjon):<br />
1.<br />
2.<br />
28<br />
Tilstedeværelse av en naturtype (eller en art), som registreres på observasjonssteder med standardisert<br />
utstrekning (det vil si i gridruter).<br />
Indikatorvariabler som kan registreres på observasjonssteder der naturtypen er til stede, det vil si<br />
a. i gridruter som inneholder naturtypen eller arten,<br />
b. i naturtypefigurer (eller artsforekomster for den aktuelle arten) som ligger innenfor gridruter med den<br />
aktuelle naturtypen, eller<br />
c. eller i naturtypefigurer (eller artsforekomster for den aktuelle arten) uten referanse til et grid over<br />
definisjonsområdet.<br />
Eksempler på indikatorvariabler som inngår i denne kategorien er<br />
• egenskaper som karakteriserer naturtypens tilstand (f.eks. totalt nitr<strong>og</strong>eninnhold i humuslaget i en<br />
sk<strong>og</strong>smarkstype; oftest kontinuerlige variabler),<br />
• tilstedeværelse eller fravær av en art eller et annet ’objekt’ innenfor en naturtype, <strong>og</strong><br />
• antall av en art eller et annet ’objekt’ innenfor en naturtype.<br />
3. Indikatorvariabler som bare kan registreres der en art eller et annet ’objekt’ er til stede i en spesifikk<br />
naturtype, det vil si indikatorvariabler som karakteriserer arten eller ’objektet’ (målbare egenskaper ved<br />
arten eller ’objektet’). Typiske eksempler er dem<strong>og</strong>rafiske egenskaper som for eksempel frøsetting,<br />
spiring, gjennomsnittlig individstørrelse <strong>og</strong> klonal forgreiningsrate, eller lengden på et steingjerde i en<br />
kulturmarkseng.
3 Det faglige grunnlaget for naturtypeovervåking:<br />
om naturvariasjon <strong>og</strong> hvordan naturvariasjon<br />
analyseres<br />
3.1 Naturtypebegrepet i NiN <strong>og</strong> gradientperspektivet<br />
Naturtyper i Norge (NiN) tar utgangspunkt i definisjonen av naturtype i ’Lov om bevaring av natur, landskap<br />
<strong>og</strong> biol<strong>og</strong>isk mangfold (Naturmangfoldloven)’ (Anonym 2009: §3j, s. 4):<br />
’Naturtype: ensartet type natur som omfatter alt plante- <strong>og</strong> dyreliv <strong>og</strong> de miljøfaktorene som virker<br />
der, eller spesielle typer naturforekomster som dammer, åkerholmer, geol<strong>og</strong>iske forekomster eller<br />
lignende’ (min kursivering)<br />
Denne naturtypedefinisjonen omfatter i prinsippet enhver type natur som kan oppfattes som ensartet<br />
(begrepet ’ensartet’ er heller ikke entydig, men vil ikke bli problematisert her; se NiN Artikkel 1: C1 for<br />
drøfting), <strong>og</strong> siste ledd (’eller .. eller lignende’) gjør at et vidt spekter av ’typer av natur’ kan ses på som<br />
’naturtyper’. For å operasjonalisere <strong>og</strong> konkretisere denne naturtypedefinisjonen, ble i NiN-sammenheng<br />
framhevet at naturtypedefinisjonen omfatter ’planteliv <strong>og</strong> dyreliv <strong>og</strong> de miljøfaktorene som virker der’, det<br />
vil si at naturtypeinndelingen så presist som mulig skal fange opp variasjonen i artssammensetning for flest<br />
mulig organismegrupper, <strong>og</strong> de miljøfaktorene som bestemmer denne variasjonen (NiN Artikkel 1: C2). En<br />
annen måte å uttykke dette på, er at naturtypeinndelingen skal gi en best mulig prediksjon av det biol<strong>og</strong>iske<br />
mangfoldet (hvilke arter av ulike organismegrupper, det vil si hvilken artssammensetning, som finnes på et<br />
gitt sted). En tredje måte å uttrykke dette på, er at når det er kjent hvilken naturtype et område tilhører, så<br />
skal naturtypeinndelingen gi en mest mulig presis kunnskap om artssammensetningen <strong>og</strong> miljøforholdene<br />
innenfor naturtypefiguren. En fjerde måte å formulere dette målet er at naturtypeinndelingen skal ha som<br />
langsiktig målsetting at naturtypenes tilstedeværelse skal kunne modelleres med høy prediksjonspresisjon<br />
på grunnlag av enklest mulig målbare (miljø)egenskaper.<br />
Fordi denne naturtypedefinisjonen betrakter naturtyper med utgangspunkt i variasjon i miljøegenskaper<br />
<strong>og</strong> variasjon i artenes forekomst <strong>og</strong> mengde, blir gradient<strong>begreper</strong> viktig. Med gradient menes den mer eller<br />
mindre gradvise variasjonen i en eller annen ’faktor’ som påvirker artenes forekomst, mengde <strong>og</strong> utbredelse.<br />
Disse ’faktorene’ kan være ’miljøfaktorer’ i snever forstand, som for eksempel pH i jordas humuslag eller<br />
vanninnhold i en jordprøve, men de kan <strong>og</strong>så gi uttrykk for historisk bruk (tradisjonell slått, uten pløying,<br />
gjødsling eller bruk av sprøytemidler), forstyrrelsesintensitet (for eksempel hyppighet av snøras) eller<br />
liknende. Begrepet miljøgradient brukes som et samlebegrep for alle disse kategoriene av ’faktorer’.<br />
Begrepet artssammensetningsgradient (coenoklin; Whittaker 1967) brukes om gradvis variasjon i artenes<br />
forekomst <strong>og</strong> mengde.<br />
Begrepet gradientanalyse (ter Braak & Prentice 1988) brukes om metoder som hjelper oss å beskrive <strong>og</strong><br />
å forstå variasjon i artssammensetning med utgangspunkt i arters respons på miljøgradienter (prinsippene<br />
for gradientanalyse er kort redegjort for i kapittel 4.1). En rekke ulike statistiske (<strong>og</strong> andre) metoder faller inn<br />
under denne definisjonen (se R. Økland 1990, Legendre & Legendre 1998, McCune & Grace 2002). Det er<br />
vanlig å dele disse metodene inn i envariabelmetoder (univariate metoder) som kan brukes til å analysere<br />
sammenhengen mellom én enkelt responsvariabel (for eksempel en arts forekomst eller mengde) <strong>og</strong> én<br />
eller flere prediktorvariabler (for eksempel miljøvariabler), <strong>og</strong> flervariabelmetoder (multivariate metoder),<br />
som kan brukes til å analysere sammenhenger mellom mange responsvariabler (mange arter, eller<br />
mange miljøvariabler) i seg sjøl, eller mellom mange responsvariabler <strong>og</strong> én eller flere prediktorvariabler.<br />
Envariabelmetodene er først <strong>og</strong> fremst ulike regresjonsmetoder. Flervariabelmetodene deler seg<br />
igjen i to grupper; ordinasjonsmetoder for analyse av sammenhenger i ett gitt datasett (for eksempel<br />
artssammensetningen; se kapittel 4.1.2) <strong>og</strong> betingete ordinasjonsmetoder for å relatere strukturen i ett gitt<br />
datasett til et annet datasett i én <strong>og</strong> samme analyse.<br />
Gradientanalyse har vært en sentral del av beskrivende økol<strong>og</strong>isk forskning i snart hundre år, <strong>og</strong> har gitt<br />
betydelig innsikt i hvilke miljøgradienter som er viktige i ulike økosystemer <strong>og</strong> hvordan artssammensetningen<br />
varierer langs disse miljøgradientene, en kunnskap som kan oppsummeres i gradientperspektivet på<br />
naturvariasjonen (Whittaker 1967, Austin & Smith 1989, R. Økland 1990, Austin 2005):<br />
29
1. I natur som er lite påvirket av mennesket er variasjonen i miljøfaktorer i hovedsak mer eller mindre<br />
gradvis (kontinuerlig), men trinnvis (diskret) variasjon finnes <strong>og</strong>så. Den menneskeskapte naturen<br />
karakteriseres oftest av klart skilte enheter.<br />
2. Miljøfaktorene virker ikke på organismene én <strong>og</strong> én, men organismene responderer på det totale<br />
miljøet som omgir dem. I naturen samvarierer oftest mange ulike miljøgradienter <strong>og</strong> danner komplekse<br />
miljøgradienter, grupper av miljøgradienter som ofte samvarierer <strong>og</strong> hvor det oftest er uråd å si<br />
hvilke(n) av enkeltgradientene som er viktigste grunn til observerbar variasjon i arters forekomst <strong>og</strong><br />
mengde.<br />
3. Artenes respons på (det vil si variasjon i forekomst <strong>og</strong> mengde langs) viktige komplekse miljøgradienter<br />
er i stor grad individualistisk, det vil si at hver art responderer i henhold til sin spesielle kombinasjon av<br />
egenskaper.<br />
4. I de fleste økosystemer forklares størstedelen av den variasjonen i artssammensetning som lar<br />
seg forklare av miljøfaktorer av et fåtall (ofte 2–4) hovedkompleksgradienter. Kjennskap til hvilke<br />
hovedkompleksgradienter som er viktige <strong>og</strong> hvordan artenes forekomst <strong>og</strong> mengde varierer langs dem,<br />
er det fundamentale kunnskapsgrunnlaget for å forstå <strong>og</strong> å beskrive naturvariasjon.<br />
5. Gjennom evolusjonen har artene ’tilpasset seg’ miljøet gjennom avveininger ( trade-offs) mellom<br />
egenskaper som hver for seg er gunstige, men som ikke er mulig å forene. Drivkraften bak denne<br />
tilpasningsprosessen er at populasjoner som skal kunne utveksle gener (<strong>og</strong> som skal høre til en<br />
<strong>og</strong> samme biol<strong>og</strong>isk art) ikke kan ha ubegrenset genetisk variasjon. Således produserer noen arter<br />
mange små avkom mens andre produserer få <strong>og</strong> store avkom; noen planter (ettårige arter) overlever<br />
vinteren som frø mens andre (flerårige, vintergrønne dvergbusker) overlever fordi de har vedaktig<br />
stengel <strong>og</strong> læraktige blader som ikke tar skade av frost. Hver <strong>og</strong> en av artene er tilpasset et liv innenfor<br />
begrensete intervaller langs hver hovedkompleksgradient som er viktig for arten. Den bygningsmessige<br />
<strong>og</strong> fysiol<strong>og</strong>iske differensieringen mellom arter medfører at hver art bare kan opprettholde levedyktige<br />
populasjoner innenfor et begrenset toleranseområde langs hver hovedkompleksgradient. En art kan,<br />
men behøver ikke, forekomme på alle steder innenfor sitt toleranseområde, <strong>og</strong> den kan, i hvert fall<br />
for kortere tidsrom, forekomme <strong>og</strong>så utenfor toleranseområdet. Forekomstområdet, den delen av en<br />
hovedkompleksgradient der en art forekommer, er altså oftest videre enn toleranseområdet. Utenfor<br />
forekomstområdet mangler arten.<br />
En konsekvens av at artene responderer på et relativt lavt antall av hovedkompleksgradienter, er at<br />
naturvariasjonen kan beskrives som et relativt lavt antall økokliner. En økoklin (ecocline; Whittaker 1967)<br />
defineres som den parallelle, mer eller mindre gradvise variasjonen i artssammensetning <strong>og</strong> miljøfaktorer<br />
langs komplekse miljøgradienter. Økoklinbegrepets har en helt sentral plass i NiN, formulert i NiN Artikkel 1:<br />
D1c som følger:<br />
30<br />
’Variasjonen langs økokliner er det naturlige grunnlaget for forståelse, beskrivelse <strong>og</strong> inndeling av<br />
variasjon i naturen.’<br />
3.2 Arters respons på komplekse miljøgradienter, <strong>og</strong> en<br />
gradientanalytisk forståelse av hva en naturtype egentlig er<br />
Gradientperspektivet på naturvariasjon er en teori som beskriver hvordan enkeltarter, <strong>og</strong> hele<br />
artssammensetningen, varierer langs komplekse miljøgradienter. Punkt 5 overfor inneholder en begrunnelse<br />
for hvorfor hver art finnes innenfor et begrenset toleranseområde <strong>og</strong> mangler utenfor dette området. Fordi<br />
leveforholdene for en art gradvis blir bedre jo lengre inn i toleranseområdet (vekk fra toleransegrensene)<br />
man kommer, kan artenes respons på viktige komplekse miljøgradienter [det vil si deres gjennomsnittlige<br />
forekomstfrekvens, mengde eller liknende), som funksjon av plassering langs den (komplekse)<br />
miljøgradienten] best beskrives av en klokkeformet kurve (Fig. 2). Et eller annet sted langs miljøgradienten<br />
har arten sitt optimum, stedet der det er størst sannsynlighet for å finne arten <strong>og</strong>/eller den forekommer i<br />
størst mengde <strong>og</strong>/eller hvert individ av arten gir opphav til flest nye individer i neste generasjon.<br />
Artene er individualistisk fordelt langs de viktige komplekse miljøgradientene (punkt 2 over). At en<br />
kompleks miljøgradient er viktig, betyr at mange arter responderer på denne gradienten. Det gjenspeiles<br />
i at det er stor variasjon i artssammensetning langs gradienten, det vil si at artssammensetningen nær<br />
en ende av gradienten er helt eller nesten helt forskjellig fra artssammensetningen nær den andre enden<br />
av gradienten. Da sier vi at artssammensetningsgradienten er lang, <strong>og</strong> at økoklinen (samvariasjonen<br />
mellom artssammensetning <strong>og</strong> miljøfaktorene) er viktig for å beskrive naturvariasjonen. Fig. 3 illustrerer
Fig. 2. Arters respons på viktige komplekse miljøgradienter følger vanligvis i store trekk en klokkeformet<br />
kurve (den unimodale artsresponskurven).<br />
en relativt lang økoklin i norsk natursammenheng; økoklinen kalkinnhold i natursystemhovedtypen<br />
fastmarkssk<strong>og</strong>smark (se kapittel 3.6 om NiNsystemet). Figuren viser hvordan hver av de åtte artene har sin<br />
spesielle responskurve, <strong>og</strong> at hastigheten på endringen i artssammensetning slett ikke behøver være lineær<br />
på den skalaen vi måler enkeltmiljøgradientene (i figuren: pH).<br />
En rekke statistiske metoder (regresjonsmetoder) kan brukes til å studere arters respons på<br />
miljøgradienter (se Austin et al. 1994, Oksanen & Minchin 2002).<br />
Fig. 4 illustrerer hvordan naturtyper blir avgrenset ut fra et gradientperspektiv (slik som for eksempel i<br />
NiN). Kalkinnholdsøkoklinen deles i NiN opp i seks trinn hvorav fem er relevant for fastmarkssk<strong>og</strong>smark.<br />
Disse trinnene blir betegnet henholdsvis kalkfattig, moderat kalkfattig, intermediær, kalkrik <strong>og</strong> kalkmark.<br />
Fordi hver naturtype skal være så ensartet som mulig, skal økoklinen deles i enheter som er mest mulig ’like<br />
store’ (’spenner over et like stort intervall’ på en skala som uttrykker gradvis forandring i artssammensetning.<br />
Som vist i figuren, er det større variasjon i artssammensetning pr. pH-enhet mellom pH 4 <strong>og</strong> 5 enn i andre<br />
deler av pHskalaen. Det forklarer at naturtypene som svarer til trinnene moderat kalkfattig <strong>og</strong> intermediær<br />
(henholdsvis moderat kalkfattig <strong>og</strong> intermediær) spenner over smalere pHintervaller enn de andre<br />
typene. Økoklinen består av den parallelle variasjonen i mange enkeltmiljøgradienter <strong>og</strong> den tilhørende<br />
artssammensetningsgradienten, <strong>og</strong> alle disse egenskapene samvarierer ikke på samme måte på ulike<br />
steder <strong>og</strong> på ulike tidspunkter (se NiN Artikkel 1: D3a, D3b, der økoklinbegrepet er utførlig drøftet). Derfor<br />
er det vanligvis heller ikke mulig å angi helt presise kriterier for grensa mellom naturtyper, med hensyn<br />
til miljøvariabler (f.eks. pH = 4,1 som skillekriterium mellom blåbærsk<strong>og</strong> <strong>og</strong> småbregnesk<strong>og</strong>; se Fig. 3)<br />
<strong>og</strong> artssammensetning (f.eks. hvitveis som skilleart for småbregnesk<strong>og</strong> mot blåbærsk<strong>og</strong>). Noen ganger<br />
forekommer hvitveis i sk<strong>og</strong> med pH 3,0 <strong>og</strong> noen ganger finnes sk<strong>og</strong> med pH 4,3 uten hvitveis. Naturtyper<br />
definert på grunnlag av økokliner kan derfor ikke skarpt skilles ved bruk av ett kriterium. Denne gradvise<br />
overgangen mellom naturtyper i frisk, veldrenert fastmarkssk<strong>og</strong>smark er vist i Fig. 4 ved å la grå søyler<br />
skille naturtypene. I et gradientanalyseperspektiv kan en naturtype betraktes som et avgrenset intervall i et<br />
mangedimensjonalt økol<strong>og</strong>isk rom. Fig. 4 viser hvordan fem av grunntypene i fastmarkssk<strong>og</strong>smark plasserer<br />
seg langs en slik dimensjon, gitt av den lokale basisøkoklinen kalkinnhold, gitt at variasjonen langs økoklinen<br />
’uttørkingsfare’ ligger innenfor trinnet ’frisk’ <strong>og</strong> at variasjonen langs økoklinen ’vannmetning av marka’ ligger<br />
innenfor trinnet ’veldrenert mark’.<br />
31
Fig. 3. Eksempel som illustrerer arters respons på komplekse miljøgradienter, økoklinbegrepet <strong>og</strong> den<br />
gradiantanalytiske forståelsen av hva en naturtype er. Den horisontale aksen viser variasjon i miljøforhold<br />
relatert til den komplekse miljøgradienten med pH <strong>og</strong> mineralnæringsinnhold i jorda som viktige<br />
enkeltgradienter. Skalaen på aksen er lineær for pH. Den vertikale aksen viser åtte utvalgte arters respons<br />
på denne kompleksgradienten, basert på et tenkt datasett fra frisk, veldrenert fastmarkssk<strong>og</strong>smark. Vi ser<br />
at artenes responskurver har avkuttet klokkeform. Artenes optima fordeler seg langs kompleksgradienten;<br />
blåbær <strong>og</strong> skrubbær har optimum for pH under eller nær 4, gullris <strong>og</strong> sk<strong>og</strong>rørkvein for pH mellom 4 <strong>og</strong> 5,<br />
hvitveis <strong>og</strong> sk<strong>og</strong>storkenebb for pH mellom 5 <strong>og</strong> 6, <strong>og</strong> blåveis <strong>og</strong> rødflangre for pH høyere enn 6. Figuren<br />
viser at artsresponskurvene er brattere for pH mellom 4 <strong>og</strong> 5 enn for pH større enn 5, noe som betyr at<br />
endringen i artssammensetning pr. pHenhet er større fra pH 4 til pH 5 enn fra pH 5 til pH 6. Inndelingen<br />
av økoklinen kalkinnhold i fem trinn som hver omfatter omtrent like stor variasjon i artssammensetning, er<br />
vist under den horisontale aksen. De fem grunntypene som skilles ut langs økoklinen kalkinnhold i frisk,<br />
veldrenert fastmarkssk<strong>og</strong>smark er vist over diagrammet. Disse er ikke skarpt adskilt, men glir gradvis over i<br />
hverandre, som vist ved å la grå søyler skille naturtypene. I et gradientanalyseperspektiv kan en naturtype<br />
betraktes som et avgrenset intervall i et mangedimensjonalt økol<strong>og</strong>isk rom.<br />
3.3 Systematisering av naturvariasjonen i NiN<br />
NiN tar utgangspunkt i at naturvariasjon kan systematiseres i tre fundamentalt forskjellige ’dimensjoner’;<br />
naturtypenivåer, generaliseringsnivåer <strong>og</strong> kilder til variasjon. I NiN versjon 1.0 opereres med seks kvalitativt<br />
forskjellige kategorier innenfor kilder til variasjon, fordelt på to hovedkategorier, variasjon langs økokliner<br />
(mest gradvis variasjon i miljøfaktorer <strong>og</strong> artssammensetning) <strong>og</strong> annen variasjon.<br />
3.3.1 Naturmangfoldnivåer<br />
I naturen finnes variasjon på ulike nivåer av kompleksitet <strong>og</strong> på ulike skalaer [se Halvorsen et al. (2009b)<br />
for grundig drøfting]. Variasjonen på de ulike nivåene er hierarkisk nøstet i den forstand at enheter på ett<br />
nivå utgjør byggesteiner i hver enhet på neste, høyere, nivå (Fig. 5). Men samtidig som naturen har en slik<br />
hierarkisk struktur (Allen & Starr 1982), er det slik at naturens egenskaper på hvert av disse nivåene ikke,<br />
eller bare delvis, kan beskrives ved hjelp av de samme naturegenskapene eller indikatorene (Noss 1990). I<br />
Naturtyper i Norge (NiN) brukes begrepet organisasjonsnivå for de 10 nivåene av naturvariasjon med gitt<br />
kompleksitet <strong>og</strong> på gitt romlig skala (Fig. 5) som omfattes av begrepet biol<strong>og</strong>isk mangfold [biodiversity i Noss<br />
(1990) sin terminol<strong>og</strong>i], det vil si spekteret av naturvariasjon fra gen til region. I NiNsammenheng brukes<br />
begrepet naturmangfold når vi i tillegg til de 10 nivåene for biol<strong>og</strong>isk mangfold ønsker å inkludere det<br />
32
livsmedium som organismene forholder seg til (det miljøet<br />
de lever på eller i). I NiN brukes begrepet naturtypenivå<br />
for naturmangfoldnivåene fra samfunn til region, samt<br />
livsmedium. Det er disse nivåene som er relevante for<br />
typeinndeling slik naturtype blir definert i Naturtyper i Norge<br />
(se kapittel 3.1).<br />
Det går et fundamentalt skille mellom lavere<br />
organisasjonsnivåer der man enten adresserer de levende<br />
organismene (levende komponent; biotisk komponent)<br />
eller det livsmedium som omgir organismene (det miljøet<br />
de lever på eller i), <strong>og</strong> høyere organisasjonsnivåer (økonivåene)<br />
der man på samme tid adresserer de levende<br />
organismene, deres livsmedium, <strong>og</strong> alle prosesser som<br />
regulerer funksjon <strong>og</strong> dynamikk [mellom levende organismer,<br />
det vil si mellom faktorer i livsmediet (viktige miljøfaktorer),<br />
<strong>og</strong> mellom de levende organismene <strong>og</strong> miljøfaktorene].<br />
Organisasjonsnivåboksene i Fig. 5 er plassert i kolonner for<br />
å framheve det fundamentale skillet mellom lavere nivåer <strong>og</strong><br />
økonivåer.<br />
Naturmangfold på økonivåene er mer enn summen<br />
av de levende komponentene <strong>og</strong> deres livsmedier – disse<br />
nivåene skiller seg fra de lavere nivåene ved <strong>og</strong>så å omfatte<br />
prosessene som regulerer funksjon <strong>og</strong> dynamikk (herunder<br />
<strong>og</strong>så menneskelig aktivitet, hevd).<br />
Artsnivået er plassert på siden av nivårekka for levende<br />
komponent for å indikere at art ikke er direkte hierarkisk<br />
nøstet mellom samfunn <strong>og</strong> populasjon. En art består<br />
av alle populasjoner som har visse, spesifiserte, felles<br />
egenskaper, uten noen a priori ge<strong>og</strong>rafisk avgrensning.<br />
Artsnivået representerer derfor en typifisering av en levende<br />
komponent, ikke en konkret komponent av biol<strong>og</strong>isk<br />
mangfold som kan defineres innenfor et avgrenset område.<br />
Samfunnet utgjøres derimot av alle de organismer som<br />
finnes sammen innenfor et avgrenset område. Arten hører<br />
hjemme mellom populasjon <strong>og</strong> samfunn i et hierarki av<br />
organisasjonsnivåer når man ser på ’omfanget av biol<strong>og</strong>isk<br />
variasjon’, samtidig som art altså ikke er hierarkisk nøstet<br />
under samfunn i den forstand at alle populasjoner av et<br />
gitt utvalg av arter utgjør et samfunn. Art er likevel beholdt<br />
i hierarkiet av organisasjonsnivåer for å vise at samfunnet<br />
består av populasjoner av ulike arter.<br />
For å fange opp naturvariasjon over hele spennet<br />
av romlige skalaer <strong>og</strong> naturkompleksitet, består NiN av<br />
naturtypeinndelinger for fem naturtypenivåer – fra lavere<br />
til høyere naturtypenivå: livsmedium (I), natursystem (II),<br />
landskapsdel (III), landskap (IV) <strong>og</strong> region (V).<br />
I NiN opereres bare med ett organisasjonsnivå for<br />
livsmedium. Livsmedium omfatter dermed all variasjon i<br />
det miljøet som omgir organismene. Livsmediet omfatter<br />
betydelig mindre variasjon i kompleksitet <strong>og</strong> skala enn den<br />
levende komponenten. I NiN blir livsmediet til individer <strong>og</strong><br />
populasjoner, samt livsmediumkomponenten som sammen<br />
med samfunn utgjør et natursystem, beskrevet ved hjelp av<br />
Fig. 4. De fem grunntypene av frisk, veldrenert<br />
fastmarkssk<strong>og</strong>smark. Fra toppen; a: blåbærsk<strong>og</strong>, b:<br />
småbregnesk<strong>og</strong>, c: svak lågurtsk<strong>og</strong>, d: lågurtsk<strong>og</strong> <strong>og</strong> e:<br />
kalklågurtsk<strong>og</strong>.<br />
a<br />
b<br />
c<br />
d<br />
e<br />
33
Fig. 5. Naturmangfoldhierarkiet (venstre <strong>og</strong> midtre del av figuren) <strong>og</strong> de fem naturtypenivåene det blir laget<br />
inndeling for i NiN (I–V; høyre kolonne). Nivåene der artssammensetningen <strong>og</strong> miljøfaktorene sees samlet<br />
(økonivåene) er over den røde streken. Nivåene økosystem <strong>og</strong> landskap er vist som én grå boks fordi det<br />
trengs flere nivåer enn to for å beskrive all variasjonen. Nivåene samfunn <strong>og</strong> livsmedium, som sammen med<br />
økonivåene betegnes naturtypenivåer, er markert med lys grå farge. Den brutte streken i pila mellom gen <strong>og</strong><br />
individ markerer at det kan skilles ut flere mellomnivåer.<br />
en <strong>og</strong> samme livsmediuminndeling, som fanger opp variasjon over et spenn av romlige skalaer. Et individ<br />
av en steinboende lavart som vokser i en liten bergsprekk inngår i lavdominert vegetasjon på et berg. Berget<br />
representerer et nytt skalanivå over bergsprekk, bergflate etc., men all denne livsmedium-variasjonen blir<br />
altså beskrevet som livsmiljøer i en <strong>og</strong> samme inndeling.<br />
Natursystem er definert på grunnlag av definsjonen av økosystem i §3t i Naturmangfoldloven (Anonym<br />
2009) som ’et mer eller mindre avgrenset <strong>og</strong> ensartet natursystem der samfunn av planter, dyr, sopp <strong>og</strong><br />
mikroorganismer fungerer i samspill innbyrdes <strong>og</strong> med det ikkelevende miljøet’, men med presisering av<br />
romlig skala slik at kartleggbarhet i målestokk 1: 5 000 (som benyttes i økonomisk kartverk, N5), skal være<br />
34
en rettesnor. Denne skalapresiseringen innebærer at en type natur på økoorganisasjonsnivået normalt<br />
skal forekomme i flekker som er 100 m 2 eller større for å komme i betraktning som natursystemtype (gitt<br />
at normal minstestørrelse på arealenhet som er utfigurerbar på kart er 4 mm 2 ). Natursystemdefinisjonen<br />
er <strong>og</strong>så presisert med hensyn til tidsskala. Rettesnoren er at naturegenskaper må antas å være stabile<br />
over, eller representative for, minst en seksårsperiode, for å være relevante. Med denne skalapresiseringen<br />
av natursystembegrepet, vil det sannsynligvis for en del brukerformål bli behov for typeinndeling på<br />
økoorganisasjonsnivåer ’under’ <strong>og</strong> ’over’ natursystem. Økosystemet (begrepet økosystem blir brukt<br />
som et generelt begrep, uavhengig av skala, mens begrepet natursystem blir brukt om det spesifikke<br />
organisasjonsnivået som er gjenstand for typeinndeling i NiN) ’blåbærdominert gransk<strong>og</strong>’ består for<br />
eksempel i tillegg til ’jorddekt bakke’ av en lang rekke andre elementer som hver for seg tilfredsstiller<br />
definisjonen av et økosystem; små bergvegger, steiner, liggende død ved (læger), stående død ved<br />
(gadder) <strong>og</strong> levende trær. Disse elementene kan betegnes natursystemdel, definert som det laveste<br />
nivået der det gir mening å se økosystemets levende komponent, livsmediet <strong>og</strong> prosessene som en<br />
helhet. Med natursystemdel forstår vi del av natursystem, med planter, dyr, sopp <strong>og</strong> mikroorganismer, det<br />
ikkelevende miljøet som omgir dem, <strong>og</strong> de prosesser som regulerer relasjoner organismene imellom <strong>og</strong><br />
mellom organismer <strong>og</strong> miljø (herunder menneskelig aktivitet, hevd); definert på grunnlag av miljøvariasjon<br />
<strong>og</strong> variasjon i artssammensetning på finere skala enn den som ligger til grunn for avgrensningen av<br />
natursystemet. NiN versjon 1.0 inneholder ingen inndeling av natursystemdeler, men åpner for at variasjon<br />
på natursystemdelnivået ved behov beskrives ved å knytte forekomster av arter til livsmedier innenfor<br />
arealenheter på natursystemnivået.<br />
På naturtypenivåer over natursystemet adresseres i NiN to hierarkisk nøstete naturtypenivåer,<br />
landskapsdel <strong>og</strong> landskap. Nivået landskapsdel kjennetegnes ved å bestå av kompleks av natursystemer<br />
som i naturen utgjør en funksjonell økol<strong>og</strong>isk, eventuelt <strong>og</strong>så geomorfol<strong>og</strong>isk, enhet, <strong>og</strong> som forekommer<br />
innenfor et velavgrenset ge<strong>og</strong>rafisk område. Typiske eksempler er ulike hydromorfol<strong>og</strong>iske myrtyper<br />
[synelementer (Moen 1973), synsegmenter (R. Økland 1989b)], vannforekomster (elveløp eller innsjøer)<br />
<strong>og</strong> bergveggrasmarksystemer. Rettesnoren for inndeling på landskapsdelnivået er 250 meters lineær<br />
oppløsning <strong>og</strong> kartleggbarhet i målestokken 1:50 000. Dette vil innebære at en type natur på landskapsdelnaturtypenivået<br />
i utgangspunktet må dekke 10 000 m 2 (1 ha) for å kunne betraktes som landskapsdel (gitt en<br />
minstestørrelse på utfigurerbar arealenhet på 4 mm 2 ).<br />
Slik landskapsdel er definert i NiN versjon 1.0, er det bare en mindre del av naturen som vil inngå i en<br />
landskapsdelenhet. Karakteristiske landskapsdeler som myrer <strong>og</strong> innsjøer forekommer for eksempel oftest<br />
i en matrix av natursystem(er) som dominerer over store områder, for eksempel ulike typer sk<strong>og</strong>ssystemer<br />
som dominerer under sk<strong>og</strong>grensa <strong>og</strong> mosaikken av fjellheier <strong>og</strong> snøleier over sk<strong>og</strong>grensa, hvori myrområder<br />
<strong>og</strong> innsjøer (landskapsdeler) forekommer som øyer. Hele mosaikken av landskapsdeler <strong>og</strong> matrix utgjør et<br />
landskap, et større ge<strong>og</strong>rafisk område med enhetlig visuelt preg, skapt av spesifikke store landformer <strong>og</strong><br />
kjennetegnet ved karakteristisk fordeling av landskapsdeler (<strong>og</strong> natursystemer). Landskapsdelene vil stort<br />
sett være klart hierarkisk nøstet innenfor naturtypenivået landskap, men samme hovedtype av landskapsdel<br />
kan forekomme i mange ulike typer landskap. Rettesnoren for inndeling på landskapsdelnivået er 2,5<br />
km lineær oppløsning <strong>og</strong> kartleggbarhet i målestokken 1:500 000. Dette vil innebære at en type natur på<br />
naturtypenivået landskap i utgangspunktet må dekke 1 km 2 for å kunne betraktes som landskap (gitt en<br />
minstestørrelse på utfigurerbar arealenhet på 4 mm 2 ).<br />
En region utgjøres av alle ge<strong>og</strong>rafiske områder med gitte bioklimatiske egenskaper, det vil si som faller<br />
innenfor et avgrenset intervall langs alle regionale økokliner som er definert som viktige for den aktuelle<br />
typen natur, <strong>og</strong>/eller annen variasjon som er definert som regional variasjon. Landskap kan, men behøver<br />
ikke, være nøstet innen regioner [se NiN Artikkel 1: E2e) for eksempler]. Et vestlandsk dallandskap (for<br />
eksempel i indre Hardanger) vil for eksempel kunne omfatte mange regioner mellom dalbunn <strong>og</strong> fjell. Den<br />
viktigste hensikten med regionnivået i NiN er å få på plass et begrepsapparet for å beskrive regional<br />
variasjon, det vil si variasjon langs de viktigste klimagradientene. I tillegg vil regional variasjon <strong>og</strong>så omfatte<br />
asonal regional variasjon, det vil si distinkt variasjon i artssammensetning på grov romlig skala (omtrent<br />
samme skala som variasjonen langs regionale økokliner, for eksempel forårsaket av vandringshistoriske<br />
eller andre historiske forhold), som ikke kan forklares av variasjon langs regionale (klimatiske) gradienter.<br />
Et typisk eksempel på asonal regional variasjon er forskjellen i dyreartssammensetning i ferskvann mellom<br />
områder som har hatt innvandring av arter fra Ancylussjøen <strong>og</strong> områder som ikke har hatt det (se J. Økland<br />
& K.A. Økland 1999)<br />
Begrepene landskap <strong>og</strong> region forstås i NiN som henholdsvis økolandskap <strong>og</strong> økoregion, det vil si<br />
naturvariasjon på nivåer av kompleksitet der såvel levende komponenter, omgivelsesfaktorer, menneskets<br />
aktiviteter <strong>og</strong> samspillet mellom alle disse elementene blir adressert samtidig.<br />
35
3.3.2 Generaliseringsnivåer<br />
Også innenfor hvert naturtypenivå finnes variasjon fra finere til grovere kategorier, som kan systematiseres<br />
i et generaliseringshierarki, det vil si et hierarki der hvert nivå, generaliseringsnivå, inneholder<br />
enheter på samme naturtypenivå (organisasjonsnivå) med en gitt grad av likhet eller slektskap. Øverst i<br />
et generaliseringshierarki (på nivå 1) finnes breie, generelle, enheter, som blir delt i mer <strong>og</strong> mer snervert<br />
definerte enheter mot lavere generaliseringsnivåer. Det taksonomiske hierarkiet er et klassisk eksempel<br />
på et generaliseringshierarki med mange generaliseringsnivåer (art, familie, orden, klasse, rekke etc.).<br />
Et annet eksempel på et hierarki med mange generaliseringsnivåer er inndelingen av plantesamfunn i et<br />
plantesosiol<strong>og</strong>isk hierarki etter BraunBlanquetskolens <strong>prinsipper</strong> (BraunBlanquet 1964, Westhoff & van<br />
der Maarel 1978), der enhetene er assosiasjon, forbund, orden <strong>og</strong> klasse etter mønster av det taksonomiske<br />
hierarkiet, med enhetene subassosiasjon <strong>og</strong> variant på nivåer under assosiasjon.<br />
I arbeidet med NiN har det vært en klar målsetting at antallet nivåer i generaliseringshierarkiet i<br />
naturtypeinndelingen skal være så lavt som mulig, fordi et hierarki med mange generaliseringsnivåer lett<br />
blir uoversiktlig <strong>og</strong> upedag<strong>og</strong>isk fordi det skjuler faktiske relasjoner mellom typene i det mangedimensjonale<br />
økol<strong>og</strong>iske rommet (det økol<strong>og</strong>iske rommet er en abstraksjon der hver hovedkompleksgradient utgjør<br />
en akse) (R. Økland & Bendiksen 1985, R. Økland 1990). Dette er i tråd med tradisjonen i nordisk<br />
plantesosiol<strong>og</strong>i (se Trass & Malmer 1978, R. Økland 1990) som kan følges fram til Fremstad (1997), som<br />
opererer med tre hierarkiske nivåer i sin vegetasjonstypeinndeling for Norge (24 vegetasjonsgrupper, 137<br />
vegetasjonstyper <strong>og</strong> 403 vegetasjonsutforminger). Til sammenlikning er det seks hierarkiske nivåer i den<br />
europeiske naturtypeinndelingen EUNIS (Davies et al. 2004), med 10 enheter på nivå 1, 57 enheter på nivå<br />
2, 321 enheter på nivå 3 <strong>og</strong> hele 3645 enheter på nivå 6).<br />
På samme måte som artene er ordnet i slekter (nivået over art), som igjen er ordnet i familier (nivået over<br />
slekt), kan et generaliseringshierarki for naturtyper eksemplifiseres ved ’blåbærsk<strong>og</strong>’ <strong>og</strong> ’ høgstaudesk<strong>og</strong>’<br />
som begge tilhører ’sk<strong>og</strong>smark’. Enheter på samme nivå i et generaliseringsnivå behøver ikke forekomme<br />
sammen i naturen, men hører likevel sammen fordi de har mange viktige felles egenskaper.<br />
I NiN brukes et generaliseringshierarki med tre nivåer som i utgangspunktet er de samme i inndelingene<br />
på hvert naturtypenivå. Hovedenheten på hvert naturtypenivå kalles hovedtype. Hovedtypene skal være<br />
lette å kjenne igjen <strong>og</strong> skal:<br />
• ha utseendemessig særpreg [eksempler på natursystemhovedtyper er åpen ur <strong>og</strong> snørasmark,<br />
strandberg, driftvoll (= tangvoll), taresk<strong>og</strong>sbunn <strong>og</strong> snøleie];<br />
•<br />
•<br />
36<br />
bindes sammen av fellesskap i artssammensetning (for eksempel ved at samme livsform dominerer<br />
gjennom hele hovedtypen, slik trær gjør i natursystemhovedtypen fastmarkssk<strong>og</strong>smark som omfatter all<br />
sk<strong>og</strong>smark som ikke er våtmark eller ligger i flomsonen langs elver <strong>og</strong> innsjøer); <strong>og</strong><br />
være så klart som mulig skilt fra andre hovedtyper på samme naturtypenivå.<br />
Ingen av disse kriteriene er entydige. Hver <strong>og</strong> en kan legge ulike betydninger i ord som ’særpreg’, ’fellesskap’<br />
<strong>og</strong> ’klart skilt’. For inndelingene på naturtypenivåene livsmedium, natursystem <strong>og</strong> landskapsdel brukes i NiN<br />
i tillegg et helt spesielt kriterium som i de aller fleste tilfeller entydig avgjør hva som er en hovedtype (<strong>og</strong> hva<br />
som ikke er det):<br />
•<br />
De samme økoklinene skal være viktige gjennom hele hovedtypen, slik at natur som hører til samme<br />
hovedtype kan deles videre opp ved hjelp av det samme settet av viktigste økokliner.<br />
Hvorfor er ikke ’fuglefjell’ en natursystem-hovedtype? Jo, fordi det finnes to distinkte typer natur innenfor<br />
fuglefjellet, med ulike sett av viktige økokliner; fugleberg <strong>og</strong> fuglefjelleng.<br />
Hovedtypene utgjør nivå 2 i generaliseringshierarkiet. Nivå 1, hovedtypegruppe, er innført som et praktisk<br />
generaliseringsnivå over hovedtypen i inndelingene på livsmedium <strong>og</strong> natursystemnivåene i NiN fordi<br />
antallet hovedtyper er høyt.<br />
Uansett hvor mange nivåer et generaliseringshierarki for naturvariasjon består av, <strong>og</strong> uansett hvor mange<br />
typer som blir beskrevet, vil utrolig mye av naturvariasjonen ikke fanges opp i et hierarkisk typesystem<br />
fordi hver flekk i naturen har unike egenskaper. Generaliseringshierakier med mange nivåer gjør dessuten<br />
at det er lett å miste oversikten over relasjoner (likheter <strong>og</strong> forskjeller) mellom enhetene. Særlig er dette<br />
et problem når det finnes mange <strong>og</strong> usammenliknbare årsaker til at enhetene er forskjellige, slik tilfellet<br />
er med naturtypevariasjon! Mens livstreet illustrerer hvordan evolusjonen har skapt et mangfold av arter<br />
langs én gradient – tidsaksen – finnes et stort mangfold av årsaker til naturtypevariasjon. Fordi tidsaksen<br />
er tilstrekkelig til å forstå systematiske sammenhenger mellom organismene, skaper livstreet oversikt <strong>og</strong><br />
fremmer innsikt. Med naturtypevariasjon er det motsatt. Fordi det i naturen finnes så utrolig mange ulike <strong>og</strong>
usammenliknbare kilder til variasjon, vil et stort hierarki av typer under hovedtypene ikke vise årsakene til<br />
naturtypevariasjonen <strong>og</strong> derfor heller ikke fremme oversikt <strong>og</strong> innsikt. Konsekvensen av dette er at variasjon<br />
innenfor hovedtypene blir beskrevet på en helt ny måte i NiN, ved bruk av et beskrivelsessystem som<br />
tredje nivå i generaliseringshierarkiet (innenfor hovedtypene på hvert naturtypenivå; se kapittel 3.3.5).<br />
3.3.3 Økokliner<br />
Ulike miljøvariabler forklarer variasjon i artssammensetning på ulike skalanivåer (<strong>begreper</strong> for romlig skala er<br />
drøftet i kapittel 4.2.2). En av de viktigste generaliseringene som kan gjøres med hensyn til romlig skala <strong>og</strong><br />
tidsskala er at det særlig er to skalaintervaller hvor det ofte er mulig å forklare mye variasjon (R. Økland et al.<br />
2006):<br />
• området for variasjon langs lokale miljøgradienter [observasjonsenheter (’ruter’) 0,01–1 000 m2 store, det<br />
vil si kvadrater med sidekant 0,1–30 m]<br />
• området for variasjon langs regionale (klimatiske) miljøgradienter [1–100(–2 500) km2 store ’ruter’, det vil<br />
si med sidekant 1–10(–50) km]<br />
Ofte forklares relativt lite variasjon i artssammensetning i skalaintervallet mellom ca. 30 m <strong>og</strong> 1 km av<br />
grunnleggende miljøforhold, det vil si av miljøfaktorer som vedvarer over relativt lang tid (århundrer eller<br />
årtusener). Menneskers naturbruk gir seg imidlertid ofte utslag i variasjon i dette skalaintervallet. Typiske<br />
eksempler er sammenhengende flekker av jordbruksarealer som kultiveres med én <strong>og</strong> samme metode <strong>og</strong><br />
sammenhengende h<strong>og</strong>stflater i sk<strong>og</strong>smark.<br />
I NiN skilles mellom tre kategorier av økokliner, definert som følger:<br />
• Lokal basisøkoklin;<br />
parallell, mer eller mindre gradvis variasjon i artssammensetning <strong>og</strong> økol<strong>og</strong>iske<br />
faktorer (kompleksgradienter) som kommer til uttrykk på en relativt fin romlig skala (for eksempel<br />
jordfuktighet, jordas syrebasestatus <strong>og</strong> solinnstråling) <strong>og</strong> som har en virkning som vedvarer over relativt<br />
lang tid<br />
• Tilstandsøkoklin;<br />
parallell, mer eller mindre gradvis variasjon i artssammensetning som resultat av<br />
variasjon i tilstand [tilstand defineres som tidsavgrenset utforming av en type natur (typiske eksempler på<br />
tilstander er suksesjonstrinn etter naturlig eller menneskeskapt forstyrrelse)]<br />
• Regional økoklin;<br />
parallell, mer eller mindre gradvis variasjon i artssammensetning <strong>og</strong><br />
makroklimafaktorer (bioklimatisk variasjon), på en grov romlig skala, <strong>og</strong> som har en virkning som<br />
vedvarer over relativt lang tid<br />
De viktigste lokale basisøkoklinene står i en særstilling blant de seks kildene til variasjon, <strong>og</strong> har derfor<br />
en spesiell rolle i beskrivelse av variasjonen innenfor hovedtypene i NiN. Lokale basisøkokliner brukes til å<br />
dele inn hovedtypene i grunntyper. Grunntypene kan ses på som firkantete ’bokser’ i et skjema der trinnene<br />
langs hver av de viktigste økoklinene er ’krysset’ med hverandre.<br />
Alle økokliner er delt inn i trinn på en standardisert måte, uavhengig av naturtypenivå <strong>og</strong> hovedtype. For<br />
eksempel blir den viktige lokale basisøkoklinen kalkinnhold delt i 6 trinn, fra 1 (ombr<strong>og</strong>en) <strong>og</strong> 2 (kalkfattig) til<br />
6 (kalkmark); se Fig. 3. Grunntypene (som kalles bunntyper i vannsystemer <strong>og</strong> marktyper i landsystemer),<br />
kan ses på som firkantete ’bokser’ i et skjema der trinn langs hver av de viktigste økoklinene ’krysses’ med<br />
hverandre.<br />
En fullstendig beskrivelse av en arealenhet av en gitt naturtype, for eksempel på natursystemnivået,<br />
innebærer altså en inndeling i grunntyper på grunnlag av plassering langs de viktigste lokale<br />
basisøkoklinene, samt en karakterisering ved hjelp av andre lokale basisøkokliner, tilstandsøkokliner <strong>og</strong><br />
regionale økokliner. Dette er hensiktsmessig fordi det gjør det mulig å kombinere kvalitativt ulike egenskaper<br />
i en fleksibel beskrivelse av arealenhetene. Tilstandsvariasjon som egen kilde til variasjon gjør for eksempel<br />
NiNsystemet velegnet til å beskrive gjengroing på en standardisert måte. Dermed kan systemet brukes til å<br />
overvåke de store endringene som finner sted i norsk natur når inn- <strong>og</strong> utmark tas ut av aktiv bruk.<br />
3.3.4 Andre kilder til variasjon<br />
NiN systematiserer ’annen variasjon’, det vil si naturvariasjon som ikke lar seg beskrive som økoklinal<br />
variasjon, i tre kategorier av ’andre kilder til variasjon’:<br />
• Dominansutforming;<br />
naturvariasjon relatert til dominans av enkeltarter eller grupper av arter (for<br />
37
eksempel gran <strong>og</strong> furusk<strong>og</strong>, eller geitrams <strong>og</strong> mjødurtdominans i en for lengst brakklagt åker)<br />
• Landformvariasjon;<br />
variasjon mellom mer eller mindre distinkte terrengformer (overflateformer på land<br />
eller utforminger av bunnen i saltvanns eller ferskvannssystemer) med felles egenskaper som ofte er<br />
forårsaket av én eller flere distinkte landformdannende (geomorfol<strong>og</strong>iske) prosesser<br />
• Objektinnhold;<br />
naturvariasjon relatert til forekomst av spesifikke naturobjekter som er beskrevet på et<br />
lavere naturtypenivå, for eksempel kategorier av død ved i en blåbærdominert sk<strong>og</strong>smark<br />
Dominans som kilde til variasjon åpner for å karakterisere natur på grunnlag av forskjeller i<br />
artssammensetning, sjøl om disse forskjellene ikke kan forklares av forskjeller i miljøforhold (det vil si som<br />
økoklinal variasjon). I NiN versjon 1.0 er et standardisert skjema for dominans bare utviklet for dominerende<br />
treslag i sk<strong>og</strong>.<br />
Objektinnholdkategorien åpner for at alle typer objekter som en bruker har interesse av å knytte til en<br />
arealenhet ved kartlegging i felt, kan registreres. Eksempler på aktuelle ’objekter’ er kulturminner, spesielle<br />
artsforekomster <strong>og</strong> spesielle geol<strong>og</strong>iske forekomster (for eksempel fossilforekomster). I NiN versjon 1.0 er<br />
bare noen utvalgte objekter, sammensatte livsmedium-objekter, systematisert som objektenheter, gruppert<br />
i objektgrupper. Dette er enheter for spesielt tilstandsrelevant objektinnhold [for eksempel store hule trær<br />
eller store, nedbrutte læger (stokker)] som er satt sammen av mange livsmediumtyper. NiN versjon 1.0<br />
åpner dessuten for at enheter i en inndeling på et lavere naturtypenivå kan brukes som objektinnhold til å<br />
karakterisere enheter på et høyere naturtypenivå, men dette er ikke utviklet til et operasjonalisert system i<br />
NiN versjon 1.0.<br />
Landformvariasjon omfatter terrengformvariasjon (geomorfometrisk variasjon), det vil si<br />
landformvariasjon som beskrives ved hjelp av kontinuerlige variabler. Nøkkelvariabelen for beskrivelse<br />
av terrengform, blant annet i inndelingen på landskapsnivået i NiN, er terrengets relative relieff.<br />
Landformvariasjon omfatter <strong>og</strong>så mer eller mindre distinkte terrengformer (overflateformer på land eller<br />
utforming av bunnen i saltvanns eller ferskvannssystemer) som kan gis en felles karakteristikk på grunnlag<br />
av egenskaper som ofte er forårsaket av én enkelt eller en kombinasjon av distinkte landformdannende<br />
(geomorfol<strong>og</strong>iske) prosesser. Slike terrengformer blir beskrevet i NiN som landformenheter.<br />
Landformenhetene blir gruppert i landformgrupper på grunnlag av utseendemessig likhet eller fellestrekk<br />
med hensyn til opprinnelse.<br />
3.3.5 Overblikk over NiNsystemet<br />
NiN versjon 1.0 består av parallelle inndelinger på de fem naturtypenivåene livsmedium. natursystem,<br />
landskapsdel, landskap <strong>og</strong> region (Fig. 6). Disse inndelingene er parallelle i den forstand at samme<br />
generaliseringshierarki er brukt ved inndeling på alle naturtypenivåer (<strong>og</strong> forenklet ved behov).<br />
Hovedtypedefinisjonen er den samme på alle nivåer bortsett fra landskapsnivået der fokus er flyttet fra<br />
artssammensetning til fellesskap i geomorfol<strong>og</strong>iske egenskaper (NiN Artikkel 1: E5a). Regioninndelingen<br />
skiller seg fra inndelingene på alle andre naturtypenivåer ved at regionene, typene, er definert direkte som<br />
kombinasjoner av trinn langs regionale økokliner. De tilsvarer derfor grunntyper i de andre inndelingene<br />
mens hovedtypenivået ikke er relevant på dette naturtypenivået. Beskrivelsessystemene på de ulike<br />
naturtypenivåene skiller seg med hensyn til hvilke kilder til variasjon som er relevante (Fig. 6).<br />
Grunntypefigurer som viser oppdeling av hovedtypen i grunntyper inngår i beskrivelsene av alle<br />
hovedtyper som består av bare én grunntype (ett eksempel er vist i Fig. 7). En fullstendig beskrivelse av<br />
naturen innenfor et område etter NiNsystemet består derfor av hovedtype <strong>og</strong> grunntypeangivelse samt en<br />
beskrivelse av området (begrepet ’arealenhet’ brukes om et område som hører til én naturtype) med hensyn<br />
til alle kilder til variasjon som er relevant på det aktuelle naturtypenivået (se NiN Artikkel 1: G4 for et konkret<br />
eksempel). På den måten gir NiNsystemet mulighet til å karakterisere naturområder i svært stor detalj uten<br />
å bli uoversiktlig.<br />
I naturtypeovervåkingssammenheng er inndelingene på naturtypenivåene natursystem <strong>og</strong> landskapsdel<br />
av størst interesse. Det er på disse nivåene at ’økosystemer’ blir typedelt, <strong>og</strong> det er inndelingene på disse<br />
nivåene som nå blir lagt til grunn for rødlistevurdering av naturtyper <strong>og</strong>, følgelig, for utvelgelse av naturtyper<br />
etter Naturmangfoldloven.<br />
Natursysteminndelingen har på det øverste generaliseringsnivået fem hovedtypegrupper;<br />
saltvannssystemer, fjæresonesystemer, ferskvannssystemer, våtmarkssystemer <strong>og</strong> fastmarkssystemer.<br />
Disse deles i henholdsvis 15, 7, 7, 9 <strong>og</strong> 30, til sammen 68, natursystemhovedtyper som igjen deles i til<br />
sammen 385 grunntyper. En fullstendig oversikt over inndelingen av natursystemer i hovedtypegrupper,<br />
hovedtyper <strong>og</strong> grunntyper finnes i NiN Artikkel 1: Vedlegg 2: Tabell 1.<br />
Fordi menneskets ulike virksomheter er én av faktorene som i sterkest grad bidrar til å gjøre<br />
38
Fig. 6. ’Naturtypefiguren’, som gir et overblikk over NiN-systemets naturtypeinndeling på fem nivåer, hvert<br />
med inntil tre generaliseringsnivåer (over hverandre i figuren). Hovedtype-nivået er vist som grønne bokser.<br />
Variasjon på generaliseringsnivået under hovedtype fanges opp av et beskrivelsessystem (bokser med<br />
blå skrift) som består av elementer fra inntil tre kategorier av komponenter: (1) inndeling i grunntyper (blå<br />
bokser) basert på trinndeling av de viktigste lokale basisøkoklinene (oransje bokser med svart skrift); (2)<br />
variasjon langs andre økokliner (oransje bokser); <strong>og</strong> (3) andre kilder til variasjon (blå bokser). Typer fra<br />
lavere naturtypenivåer som brukes i beskrivelsessystemet på høyere nivåer er vist med svarte piler.<br />
naturtypeinndeling vanskelig, brukes i NiN versjon 1.0 graden av menneskepåvirkning som et første<br />
kriterium ved inndeling innenfor hver natursystemhovedtypegruppe. Spesialkriteriet for hovedtype, at de<br />
samme økoklinene skal være viktige gjennom hele hovedtypen, gir hjelp til å svare på et grunnleggende<br />
spørsmål som ble reist under arbeidet med hovedtypeinndelingen for natursystemnivået: ’Hvor stor må<br />
menneskeinnflytelsen være for at ikke lenger de samme økoklinene beskriver variasjonen tilfredsstillende?’<br />
Som svar på dette spørsmålet, <strong>og</strong> for at menneskeinnflytelse skal bli håndtert på en mest mulig konsekvent<br />
måte i NiN-systemet, er tre kategorier av mark <strong>og</strong> bunn definert på grunnlag av type <strong>og</strong> intensitet av<br />
menneskeinnflytelse [se NiN Artikkel 1: D3d) for utdypende drøfting]:<br />
• Naturmark/bunn omfatter helhetlige (øko)systemer med mer eller mindre tydelige spor etter, eller preg<br />
av, menneskeinnflytelse, men hvor menneskets aktiviteter ikke har endret systemets struktur <strong>og</strong>/eller<br />
funksjon i en slik grad at nye eller andre lokale basisøkokliner [begrepet lokal basisøkoklin er definert<br />
nedenfor] er nødvendig for å beskrive variasjonen.<br />
• Kulturmark omfatter helhetlige (øko)systemer som gjennom kontinuerlig, moderat intensiv bruk<br />
(kultur, hevd) gjennom lang tid (men uten fysisk endring av markstrukturen, for eksempel ved pløying)<br />
har fått særpregete markegenskaper <strong>og</strong> struktur <strong>og</strong>/eller funksjon; kulturmarka er vesentlig forskjellig<br />
fra naturmark i den forstand at et annet sett av lokale basisøkokliner er nødvendig for å beskrive<br />
variasjonen.<br />
• Kunstmark/bunn omfatter arealer som gjennom menneskepåvirkning har fått markstruktur <strong>og</strong>/eller<br />
markegenskaper vesentlig fysisk endret, slik at et annet sett av lokale basisøkokliner er nødvendig for å<br />
beskrive variasjonen; kunstmarka/bunnen er oftest initiert gjennom direkte fysisk endring av substratet<br />
39
økoklin 1<br />
vannforårsaket forstyrrelse:<br />
forstyrrelsesintensitet i driftvoll<br />
(VF–B)<br />
40<br />
B3 flere ganger årlig<br />
B2 årviss<br />
B1 ikke årviss<br />
økoklin 2<br />
vannmetning: vannmetning av marka (VM–A)<br />
A1 veldrenert mark A2 fuktmark<br />
[5] driftvoll som blir forstyrret<br />
flere ganger årlig<br />
ettårsdriftvoll<br />
[3] veldrenert driftvoll som<br />
forstyrres årvisst<br />
lågurtdriftvoll<br />
[1] veldrenert driftvoll som ikke<br />
forstyrres årvisst<br />
høgurtdriftvoll<br />
[4] fuktmarksdriftvoll som<br />
forstyrres årvisst<br />
lågurtfuktdriftvoll<br />
[2] fuktmarksdriftvoll som ikke<br />
forstyrres årvisst<br />
høgurtfuktdriftvoll<br />
Fig. 7. Eksempel på grunntypefigur: Inndelingen av natursystem-hovedtypen driftvoll i fem grunntyper<br />
ved hjelp av to trinndelte lokale basisøkokliner. Mørk grått felt angir en kombinasjon av trinn langs lokale<br />
basisøkokliner som normalt ikke er realisert. Grunntypene har et beskrivende navn (svart skrift) <strong>og</strong> et<br />
praktisk navn (rød skrift).<br />
<strong>og</strong> derfor (i motsetning til kulturmark) vanligvis ikke helhetlige økosystemer (med næringskjede,<br />
diasporebank <strong>og</strong> relasjoner som mykorrhiza etc.).<br />
En spesiell kategori innenfor kunstmark/bunn er konstruert mark/bunn; arealer framkommet ved fjerning<br />
eller vesentlig endring av den opprinnelige marka/bunnen, eventuelt <strong>og</strong>så erstatning av denne med ny mark/<br />
bunn med nye, konstruerte livsmedier. Åker <strong>og</strong> kunstmarkseng er kunstmark, men ikke konstruert mark.<br />
Veier, hager, industriområder, steinbrudd, havner <strong>og</strong> elveforbygninger er eksempler på konstruert mark,<br />
som er samlet i natursystemhovedtypen konstruert fastmark. Av de 68 natursystemhovedtypene er 59<br />
naturmark, 2 er kulturmark (kulturmarkseng <strong>og</strong> kystlynghei) <strong>og</strong> 7 er kunstmark.<br />
Landskapsdelinndelingen i NiN versjon 1.0 omfatter 12 hovedtyper som alle tilfredsstiller kravet<br />
om å inneholde et kompleks av flere natursystem-hovedtyper. Velavgrensete vannforekomster (i tre<br />
dimensjoner, inkludert både bunnen <strong>og</strong> vannmassene) utgjør typiske landskapsdelhovedtyper. Fem av<br />
landskapsdelhovedtypene er vannforekomster [elveløp, innsjø, fjæresonesjø (med grunntypene [1] poll<br />
<strong>og</strong> [2] littoralbasseng), fjord <strong>og</strong> kil), fem er terrestrisk natur (fuglefjell, ras <strong>og</strong> skredområder, ravinedal,<br />
sk<strong>og</strong>sbekkekløft <strong>og</strong> myrmassiv), mens de øvrige to landskapsdelhovedtypene er korallrev <strong>og</strong> aktivt delta. De<br />
12 landskapsdelhovedtypene deles i 54 grunntyper. En fullstendig oversikt over inndelingen i hovedtyper <strong>og</strong><br />
grunntyper er gitt i NiN Artikkel 1: Vedlegg 2: Tabell 3.
4 Verktøy for analyse av naturvariasjon<br />
4.1 Gradientanalyse<br />
Begrepet gradientanalyse går tilbake i hvert fall til 1960-tallet (Whittaker 1967), <strong>og</strong> blir ofte definert som<br />
’tolkning av variasjon i artssammensetning i lys av artenes respons på miljøgradienter i videste betydning’<br />
(’the interpretation of community composition is tems of species’ responses to environmental gradients<br />
in the broadest sense’; ter Braak & Prentice 1988). Gradientanalysemetoder omfatter regresjonsmetoder<br />
som modellerer enkeltarters respons på miljøgradienter (eksempler på artsresponskurver er vist i Fig.<br />
2–3), men de viktigste metodene for gradientanalyse er multivariate metoder, det vil si (statistiske) metoder<br />
som oppsummerer samvariasjonsmønstre (se <strong>og</strong>så kapittel 3.1). Ordinasjonsmetoder oppsummerer<br />
samvariasjonsmønstre mellom variabler <strong>og</strong>/eller observasjonsenheter, det vil si mønstre i ei matrise der<br />
matriseelementene er observerte verdier for et antall variabler i et antall observasjonsenheter. Det finnes<br />
mange ulike ordinasjonsmetoder, som bygger på ulike forutsetninger. Fordi ordinasjonsanalyse er et helt<br />
sentralt <strong>verktøy</strong> for å identifisere økokliner, <strong>og</strong> dermed for å framskaffe den kunnskapen NiN-systemet<br />
bygger på, er det i dette kapitlet gitt en kortfattet <strong>og</strong> forenklet framstilling av hvordan ordinasjonsanalyse<br />
foregår (se NiN Artikkel 1: Bokser 2–4).<br />
4.1.1 Ordinasjon av miljøvariabler<br />
Ordinasjonsanalyse av samvariasjonsmønstre mellom miljøvariabler kan brukes til å identifisere mulige<br />
komplekse miljøgradienter, <strong>og</strong> derfor <strong>og</strong>så for å bestemme hvor mange viktige kompleksgradienter<br />
som finnes i et undersøkelsesområde. Som eksempel bruker vi en undersøkelse av artsmangfold <strong>og</strong><br />
artssammensetning i dammer i jordbrukslandskapet i SørøstNorge (Edvardsen & R. Økland 2006).<br />
Miljødataene i denne undersøkelsen besto av en matrise med observasjoner av 56 variabler, registrert i eller<br />
i tilknytning til hver av de 64 dammene som undersøkelsen omfattet [56 rader (én for hver miljøvariabel)<br />
× 64 kolonner (en for hver dam)]. Matematisk sett utgjør denne matrisa et 56dimensjonalt rom med<br />
miljøvariablene som akser, der hver av de 64 dammene plasserer seg som et punkt hvis posisjon langs hver<br />
akse er bestemt av den observerte verdien for den aktuelle miljøvariabelen.<br />
Ettersom variablene er målt på til dels helt forskjellige skalaer må hver variabel standardiseres til<br />
middelverdi = 0 <strong>og</strong> standardavvik = varians = 1 før analyse. Standardiseringen gjør at variasjonen langs<br />
alle aksene i det 56dimensjonale miljøvariabelrommet blir like stor <strong>og</strong> uavhengig av den opprinnelige<br />
måleskalaen. Det er fornuftig når det er variasjonen innen hver variabel vi er interessert i å studere.<br />
Dersom miljøvariablene var fullstendig uavhengige av hverandre ville vi behøvd opp mot 56 dimensjoner<br />
for å beskrive hovedtrekkene i miljøvariasjonen. I virkeligheten er ikke det nødvendig. Fordi det er stor grad<br />
av samvariasjon mellom miljøvariablene (kapittel 3.1, punkt 2) ligger ikke de 64 dammene tilfeldig spredt i<br />
det 56-dimensjonale rommet. Tvert imot, det finnes retninger i det 56-dimensjonale rommet (’under-rom’)<br />
som fanger opp en stor del av variasjonen i miljøforhold mellom dammene. For eksempel har dammer med<br />
høy pH vanligvis <strong>og</strong>så høye konsentrasjoner av en rekke viktige plantenæringsstoffer (som nitr<strong>og</strong>en <strong>og</strong><br />
fosfor).<br />
Prinsipal komponentanalyse [PCA (Pearson 1901), se for eksempel R. Økland (1990)] er en statistisk<br />
ordinasjonsmetode som plasserer et nytt koordinatsystem i det 56-dimensjonale rommet som er definert<br />
av miljøvariablene, på en slik måte at retningen på første akse følger lengdeaksen for hele punktsvermen i<br />
miljøvariabelrommet, retningen på andreaksen fanger opp største utstrekning for punktsvermen i en retning<br />
som er uavhengig av (loddrett på) første akse etc. Første PCA-akse fanger altså opp hovedvariasjonen i<br />
miljøvariabeldatasettet, akse 2 fanger opp så mye av restvariasjonen etter at hovedgradienten er funnet, etc.<br />
PCA sorterer altså miljøvariasjonen slik at mest mulig av variasjonen fanges opp på akse 1, mest mulig av<br />
restvariasjonen fanges opp på akse 2 etc. PCA-aksene sier imidlertid ikke noe om hvor viktige hver av disse<br />
hovedgradientene i miljøforhold er for variasjonen i artssammensetning; for å analysere det må vi først finne<br />
ut av hvordan gradienter i artssammensetning er relatert til variasjon i miljøvariabler (se kapittel 4.1.3).<br />
PCA-analysen forandrer ikke på ’utseendet’ på punktsvermen i rommet som er definert av<br />
miljøvariablene; den gir oss bare ett nytt persektiv på variasjonen. PCA-aksene sorterer variasjonen<br />
på nye akser <strong>og</strong> ordner disse etter avtakende andel variasjon forklart (vi bruker begrepet ’forklarer’ i en<br />
reint statistisk betydning, det vil si hvor mye av variasjonen som kommer til uttrykk på hver akse). Dette<br />
kalles varimax-rotasjon. Med 56 variabler er det mulig å finne 56 PCA-akser, sortert fra 1 til 56 etter hvor<br />
mye variasjon hver akse forklarer. Fordi PCA finner nye akser i det opprinnelige rommet som utspennes<br />
av miljøvariablene ved rotasjon, sier vi at PCA forutsetter en lineær sammenheng mellom de målte (<strong>og</strong><br />
41
standardiserte) miljøvariablene <strong>og</strong> de hovedgradientene i miljøvariasjon som kommer til uttrykk langs<br />
aksene.<br />
For å vite hvor ’sterk’ eller ’viktig’ en PCA-ordinasjonsakse er, trenger vi et mål på hvor stor del av den<br />
totale variasjonen i miljøvariabelmatrisa som forklares av hver akse. I PCA-ordinasjon er det enkelt å<br />
beregne andel forklart variasjon. Som mål på variasjon i PCA brukes variansen (eller kvadratsummen), som<br />
først beregnes for hver standardisert variabel <strong>og</strong> deretter summeres over alle variablene. En enkeltvariabels<br />
varians er lik observasjonenes gjennomsnittlige kvadrerte avvik fra middelverdien. Siden standardiseringen<br />
gjør at alle variabler får middelverdi = 0 <strong>og</strong> varians = 1, er totalvariasjonen i datamatrisa lik antallet<br />
miljøvariabler. Mengden variasjon som en akse fanger opp kommer til uttrykk i aksens egenverdi. Aksens<br />
andel av totalvariasjonen er lik aksens egenverdi delt på summen av egenverdiene for alle de 56 aksene<br />
som det teoretisk er mulig å finne (<strong>og</strong> som er 56). I tillegg til egenverdier <strong>og</strong> andel av totalvariasjonen som<br />
forklares av hver enkelt akse, gir <strong>og</strong>så PCA-ordinasjonen informasjon om hvor stor del av variasjonen<br />
i hver enkelt miljøvariabel som forklares av hver enkelt PCA-akse. PCA-ordinasjonsresultatene kan<br />
visualiseres i et PCA-ordinasjonsdiagram med de enkelte miljøvariablene som piler <strong>og</strong>/eller de enkelte<br />
observasjonsenhetene som punkter. Vanligvis vises to <strong>og</strong> to PCA-akser i ett <strong>og</strong> samme diagram. Pilene<br />
for miljøvariabler i ordinasjonsdiagrammet peker i den retningen der den største økningen i den aktuelle<br />
variabelen finner sted, <strong>og</strong> pil-lengden sier noe om hvor sterkt variabelen øker i denne retningen. For variabler<br />
som er representert ved en lang pil nesten parallell med en ordinasjonsakse, ’forklares’ mer eller mindre hele<br />
variasjonen av aksen.<br />
Fig. 8 viser et PCA-ordinasjonsdiagram for de 56 miljøvariablene fra damundersøkelsen, fordelt på sju<br />
grupper. Pilene spriker i alle retninger <strong>og</strong> grupperer seg ikke klart. Likevel fanger første akse opp 15,2 %<br />
av variasjonen <strong>og</strong> andre akse 13,2 %. Siden alle de 56 variablene etter standardisering bidrar like mye til<br />
den totale variasjonen, 100/56 % = 1,79 %, fanger første akse derfor opp like mye variasjon som det er i<br />
8,5 enkeltvariabler (15,2 %/1,79 % = 8,5), <strong>og</strong> PCA-ordinasjonen viser at langt færre enn 56 dimensjoner er<br />
nødvendig for å beskrive hovedtrekk i miljøvariasjon i dammer i jordbrukslandskapet i SørøstNorge.<br />
I mange andre undersøkelser er andelen av totalvariasjonen i miljøvariabelmatrisa som forklares av de<br />
første PCA-aksene høyere, <strong>og</strong> iblant grupperer miljøvariablene tydeligere. Uansett om PCA-aksene forklarer<br />
mye eller lite variasjon, gir PCA-ordinasjonen et viktig bidrag til å ’se’ komplekse relasjoner blant de mange<br />
parene av miljøvariabler (i eksemplet er det 1 540 miljøvariabelpar).<br />
4.1.2 Ordinasjon av artsobservasjonsmatriser<br />
PCA-aksene gir uttrykk for samvariasjonsmønstre mellom miljøvariabler, <strong>og</strong> PCA-aksene er derfor<br />
komplekse miljøgradienter i følge definisjonen i kapittel 3.1 punkt 2. Men PCA-analysen sier ikke noe om<br />
hvor viktige de komplekse miljøgradientene som kommer til uttrykk langs PCA-aksene er for å forklare<br />
variasjonen i artssammensetning, <strong>og</strong> forteller oss for eksempel ikke hvilke komplekse miljøgradienter<br />
som er hovedkompleksgradienter (se kapittel 3.1 punkt 4). For å finne ut det, må vi starte med å<br />
identifisere de viktige artssammensetningsgradientene. Det gjøres ved ordinasjonsanalyse av matriser<br />
av artsobservasjoner [det vil si matriser med observert forekomst eller mengde for hver art i hver<br />
observasjonsehet (prøveflate, insektfelle elller liknende)].<br />
Ordinasjon av artsobservasjonsmatriser for å identifisere artssammensetningsgradienter er et mye<br />
vanskeligere statistisk problem enn ordinasjon av miljøvariabelmatriser for å finne komplekse miljøgradienter.<br />
Årsaken til dette er at artene responderer på en kompleks miljøgradient med entoppete (klokkeformet)<br />
kurver (se kapittel 3.2) mens det er en lineær sammenheng mellom miljøvariablene <strong>og</strong> de komplekse<br />
miljøgradientene. Et enkelt eksempel illustrerer hvorfor en lineær modell er urealistisk for artenes respons.<br />
La oss tenke oss en regional kompleks miljøgradient fra de varmeste til de kaldeste områdene på<br />
jordkloden. Den lineære modellen forutsetter at alle arter avtar eller øker jevnt i mengde med økende eller<br />
avtakende temperatur. Det er naturligvis ikke tilfellet. Bare ytterst få arter kan klare seg under de mest<br />
ekstreme miljøforholdene (klodens varmeste ørkener <strong>og</strong> på Sydpolen); de aller fleste trives best (har sitt<br />
optimum), et eller annet sted imellom disse ekstremene. Artenes mengdefordeling følger altså en entoppet<br />
kurve. Det samme gjelder artenes respons på lokale miljøgradienter. Få arter klarer seg i de varmeste<br />
varme kildene, på tungmetallforgiftet mark eller på de største havdypene. Bruk av PCA til ordinasjon av<br />
artsobservasjonsmatriser vil derfor oftest gi meningsløse resultater, slik tilfellet oftest er når data presses inn<br />
i en feilaktig statistisk modell.<br />
Ordinasjonsmetoder har vært brukt til å finne struktur i artsobservasjonsmatriser i over 50 år, men<br />
til tross for at en stor innsats er nedlagt i metodeutvikling, finnes fortsatt ingen metode som alltid løser<br />
denne vanskelige oppgaven på en god måte. Årsaken til dette er at det er så stor spennvidde i artenes (<strong>og</strong><br />
dermed artsobservasjonsmatrisenes) egenskaper at én enkelt statistisk modell aldri kan passe for alle arter<br />
<strong>og</strong> matriser. Dette kommer til uttrykk i punkt 3 i kapittel 3.1 om artenes individualistiske fordeling. Noen<br />
42
Fig. 8. PCA-ordinasjon av 56 miljøvariabler (angitt med nummer) registrert i eller i tilknytning til 64 dammer<br />
i jordbrukslandskapet i SørøstNorge (Edvardsen & R. Økland 2006), aksene 1 <strong>og</strong> 2 (skaleringen av<br />
aksene er i tilfeldige enheter). Miljøvariablene er delt inn i sju grupper, angitt med farge på nummeret;<br />
rosa: områdestørrelse; blå: hydrol<strong>og</strong>i; grønn: ge<strong>og</strong>rafisk plassering; lyseblå: historisk bruk; svart:<br />
menneskepåvirkning; brun: top<strong>og</strong>rafi; rød: vannkjemiske <strong>og</strong> -fysiske egenskaper.<br />
arter har vide toleransegrenser langs en kompleks miljøgradient, andre har snevrere grenser. Dessuten<br />
kan datasettene variere mye med hensyn til hvor stor variasjon (i artssammensetning) det er mellom<br />
observasjonene i datasettet; ei artsobservasjonsmatrise kan inneholde prøveflater av plantearter fra en<br />
hom<strong>og</strong>en furumo, en annen kan inneholde artslister fra hver natursystemhovedtype i norsk natur. Jo mindre<br />
variasjon det er i artsobservasjonsmatrisa, desto flere av artene vil ha sitt optimum under miljøforhold som<br />
ikke finnes i undersøkelsesområdet. Da blir den klokkeformete responskurven avkuttet til en kurve som dels<br />
er flat <strong>og</strong> dels er jevnt stigende eller jevnt avtakende langs de underliggende komplekse miljøgradientene.<br />
Når det er stor variasjon i datasettet (alle norske natursystemhovedtyper), blir hele toleranseområdet for<br />
mange arter inkludert i datasettet. Vanligvis kan vi imidlertid ikke vite hvilke egenskaper dataene har før<br />
de er analysert – hovedformålet med ordinasjonsanalyse er jo å finne strukturen i komplekse multivariate<br />
datamatriser. Dermed må en god ordinasjonsmetode gi pålitelige resultater uansett hvilke egenskaper<br />
artsobservasjonsmatrisa har.<br />
Siden en universalordinasjonsmetode for artsobservasjonsdata ennå ikke er laget, er ordinasjon<br />
43
av artsobservasjonsdata alltid forbundet med noen grad av usikkerhet – det er alltid fare for at<br />
metoden ikke klarer å finne den beste mulige ordningen av observasjonene i datasettet fordi den ikke<br />
takler de egenskapene akkurat dette datasettet har. Noen ganger får vi derfor et ordinasjonsresultat<br />
(ordinasjonsakser) som, i stedet for å vise hovedgradienter i artssammensetning, ikke gir mening fordi de<br />
helt eller delvis er artifakter, oppstått på grunn av mismatch mellom data <strong>og</strong> metode. Det finnes ingen annen<br />
måte å identifisere slike akser enn gjennom god kjennskap til hvordan hver enkelt ordinasjonsmetode virker<br />
(dens algoritme), god generell økol<strong>og</strong>isk kunnskap <strong>og</strong> god kunnskap om datasettet som blir analysert.<br />
Fordi det finnes mange ulike ordinasjonsmetoder er den enkleste <strong>og</strong> kanskje beste måten å komme rundt<br />
problemet med enkeltmetodenes feilbarlighet å bruke to eller flere ordinasjonsmetoder parallelt på samme<br />
datasett (R. Økland 1996); får vi mer eller mindre samme resultat med svært forskjellige metoder er det en<br />
sterk indikasjon på at ordinasjonsdiagrammene virkelig viser hovedgradientene i artssammensetning.<br />
Generelle statistiske <strong>og</strong> matematiske aspekter ved ordinasjon av artsobservasjonsmatriser er beskrevet<br />
i en rekke lærebøker <strong>og</strong> vil ikke bli nærmere omtalt her (se for eksempel R. Økland 1990, Legendre<br />
& Legendre 1998). De to mest benyttete metodene for ordinasjon av artsobservasjonsmatriser, som<br />
hører til forskjellige ’hovedfamilier’ av metoder, er detrended correspondence analysis (DCA; Hill 1979)<br />
<strong>og</strong> nonmetric multidimensional scaling (NMDS; se for eksempel Minchin 1987). Felles for disse er at<br />
artsobservasjonsmatrisa brukes til å beregne grad av likhet i artssammensetning mellom alle par av<br />
observasjoner. Dernest søker metodene å plassere observasjonene som punkter i et ordinasjonsdiagram slik<br />
at observasjoner med lik artssammensetning blir liggende så nær hverandre som mulig, mens observasjoner<br />
med ulik artssammensetning blir liggende langt fra hverandre. DCA tar utgangspunkt i en statistisk modell<br />
med entoppete artsresponser på de underliggende komplekse miljøgradientene, <strong>og</strong> forsøker å plassere<br />
både observasjoner <strong>og</strong> arters optima som punkter langs aksene (aksene er gradienter i artssammensetning)<br />
på en slik måte at mest mulig av variasjonen i artssammensetning forklares av akse 1, mest mulig av<br />
restvariasjonen forklares langs akse 2 etc. (i prinsippet slik som ved PCA-ordinasjon av miljøvariabelmatrisa,<br />
se kapittel 4.1.1). Fordi den statistiske modellen ikke passer alle datasett (fordi arter har ulike responser på<br />
hovedkompleksgradientene, både innen ett datasett <strong>og</strong> mellom ulike datasett), gjøres det i DCA to ’grep’<br />
for å forhindre artifaktakser i å bli valgt som ordinasjonsakser. Disse ’grepene’ er ikke basert på statistiske<br />
<strong>prinsipper</strong>, men består i at kjente symptomer på feil i den statistiske modellen ikke får lov å komme til uttrykk<br />
i ordinasjonsdiagrammet. I stedet lukes eventuelle slike symptomer systematisk ut i beregningsprosessen.<br />
I de fleste tilfeller gjenspeiler den første eller de første to eller tre DCA-ordinasjonsaksene de viktigste<br />
artssammensetningsgradientene. Liksom PCA-aksene har DCA-aksene egenverdier som gir uttrykk for hvor<br />
mye variasjonsom er ’forklart’. Det finnes flere alternative måter å beregne egenverdier i DCA (Oksanen<br />
et al. 2007). Fordi det ikke finnes gode mål på variasjon i artssammensetning i ei artsobservasjonsmatrise<br />
(R. Økland 1999), er det ikke mulig å tolke DCA-egenverdiene på samme presise måte (som andel forklart<br />
variasjon) som i PCA. Likevel gir egenverdiene en indikasjon på hvor viktige DCA-ordinasjonsaksene er<br />
relativt til hverandre.<br />
NMDS er en familie av reint geometriske metoder som starter med å beregne ei matrise av<br />
parvise ulikheter i artssammensetning mellom de n observasjonene <strong>og</strong> som deretter søker å plassere<br />
observasjonene i et rom (ordinasjonsrommet) med få dimensjoner, der relasjonene mellom observasjonene<br />
(graden av ulikhet i artssammensetning) blir beholdt best mulig. Det finnes flere varianter av NMDS; de<br />
to mest brukte (LNMDS <strong>og</strong> GNMDS) gir normalt ikke svært forskjellig resultat (Liu et al. 2008). I NMDS<br />
må antallet ordinasjonsakser bestemmes på forhånd, <strong>og</strong> plasseringen av observasjonene langs akse 1<br />
endrer seg alt ettersom om vi ber om en, to, tre eller fire dimensjoner. I NMDS er det heller ikke gitt at<br />
akse 1’forklarer mest variasjon’ etc., slik som i DCA (<strong>og</strong> PCA); metoden plasserer observasjoner langs<br />
det valgte antallet akser i én <strong>og</strong> samme prosess. Dette er det imidlertid lett å forandre på i etterkant, ved<br />
å bruke PCA-ordinasjon til å rotere aksene i NMDS-ordinasjonsrommet på samme måte som PCA ble<br />
brukt til å varimaxrotere aksene i miljøvariabelrommet. NMDS beregner observasjonenes plassering i<br />
ordinasjonsrommet ved iterasjon; en gjentakselsesprosess som starter med å strø observasjonspunktene<br />
tilfeldig utover i ordinasjonsrommet (hver observasjon tildeles tilfeldige koordinater langs det antall akser<br />
som er valgt). Deretter flyttes punktene systematisk rundt i rommet inntil ingen flytting resulterer i en bedre<br />
overensstemmelse mellom ulikheter i artssammensetning <strong>og</strong> avstander i ordinasjonsrommet.<br />
Dersom parallelle DCA- <strong>og</strong> NMDS-ordinasjoner av samme artsobservasjonsmatrise gir tilnærmet<br />
samme resultat, det vil si at det er god parvis overensstemmelse mellom aksene i de to ordinasjonene<br />
(dette kan testes ved beregning av parvise korrelasjonskoeffisienter mellom akser i de to ordinasjonene),<br />
er det overveiende sannsynlig at vi har identifisert de viktigste artssammensetningsgradientene i<br />
artsobservasjonsmatrisa. Resultatet kan vises i ordinasjonsdiagram der observasjonenes plassering langs<br />
aksene vises som punkter. Fig. 9 viser DCA-ordinasjonsdiagrammet for ei matrise med tilstedeværelse/<br />
fraværsdata for de 47 vann <strong>og</strong> sumpplanteartene som ble registrert i de 64 dammene som er omtalt i<br />
kapittel 4.1.1 (Edvardsen & R. Økland 2006). Hver dam vises i diagrammet som ett tall (damnummer).<br />
44
Fig. 9. DCA-ordinasjonsdiagram for vannplanteartssammensetning registrert som tilstedeværelse/fravær i 64<br />
dammer i jordbrukslandskapet i SørøstNorge (Edvardsen & R. Økland 2006), aksene 1 <strong>og</strong> 2 (skaleringen<br />
av aksene er i S.D.enheter (se teksten). Dammene er nummerert fra 1 til 64. Piler angir retning for største<br />
økning for miljøvariabler som er signifikant korrelert med minst en av DCA-aksene. Streker forbinder dammer<br />
som er plassert i samme 1km z rute. Forklaring på variabelnavn: Alk = alkalinitet; Cnd = konduktivitet;<br />
DistFore = avstand til sk<strong>og</strong>; Garbage = Søppel; PartN = partikulært N; TotN = total N; TotP = total P; Trb =<br />
turbiditet.<br />
Det er betydelig spredning av dammer både langs DCA-akse 1 <strong>og</strong> langs DCA-akse 2. Enhetene på DCAaksene<br />
(’S.D.enheter’) gjenspeiler graden av endring i artssammensetning på en slik måte at en endring<br />
på 4 enheter omtrent svarer til en gjennomsnittsarts toleranseområde; det vil si at en gjennomsnittsart<br />
kommer inn, når sitt optimum <strong>og</strong> blir borte igjen i løpet av 4 S.D.enheter langs gradienten. Spennvidden i<br />
artssammensetning (gradientlengden) for DCA-aksene 1 <strong>og</strong> 2 er henholdsvis 3,15 <strong>og</strong> 3,48 S.D.-enheter,<br />
<strong>og</strong> egenverdiene er henholdsvis 0,348 <strong>og</strong> 0,260. Det er altså betydelig variasjon i artssammensetning<br />
mellom dammene, men ikke mer enn at en enkelt art kan finnes over hele spennet av dammer som<br />
inngår i undersøkelsen. DCA-aksenes pålitelighet ble sjekket ved parallell GNMDS-ordinasjon. DCAaksene<br />
1 <strong>og</strong> 2 var sterkt korrelert henholdsvis med GNMDSaksene 1 <strong>og</strong> 2, så det er grunn til å tro at<br />
DCA-ordinasjonsdiagrammet i Fig. 9 gir et pålitelig bilde av hovedgradientene i artssammensetning i de<br />
undersøkte dammene.<br />
45
4.1.3 Bruk av miljøvariabler til tolkning av ordinasjon av artsobservasjonsmatriser<br />
Aksene i en ordinasjon av artsobservasjonsmatriser er artssammensetningsgradienter. Fordi det bare<br />
er én matrise som analyseres, artsobservasjonsmatrisa (miljøvariabelobservasjoner inngår ikke i sjølve<br />
ordinasjonsanalysen), er ikke ordinasjonsaksene komplekse miljøgradienter. En vellykket ordinasjon<br />
av ei artsobservasjonsmatrise identifiserer hovedgradientene i artssammensetning, uavhengig<br />
av hvilke miljøfaktorer som forårsaker dem <strong>og</strong> uavhengig av hvilke miljøvariabler som eventuelt<br />
måtte være målt (eller om det ikke er gjort målinger av miljøvariabler i det hele tatt). Men dersom<br />
ordinasjonsanalyse av artsobservasjonsdata skal bidra til økol<strong>og</strong>isk innsikt, må ordinasjonsaksene<br />
(artssammensetningsgradientene) tolkes økol<strong>og</strong>isk. Bruk av registrerte miljøvariabler til å tolke ordinasjonen<br />
av artsobservasjonsmatrisa er neste trinn i analysearbeidet, som skjer etter <strong>og</strong> uavhengig av sjølve<br />
ordinasjonsanalysen av artsobservasjonsmatrisa.<br />
Det finnes mange hjelpemidler som kan brukes for å knytte (relatere) artssammensetningsgradientene<br />
(ordinasjonsaksene) til observasjoner av miljøfaktorer (miljøvariabler i miljøvariabelmatrisa). Den<br />
kanskje enkleste, visuelle, måten å gjøre dette på er å beregne, for hver miljøvariabel, retningen i<br />
ordinasjonsdiagrammet der miljøvariabelen øker sterkest. På samme måte som vektorpiler brukes til å<br />
vise hvordan miljøvariablene er relatert til PCA-aksene i en ordinasjon av miljøvariabler (kapittel 4.1.1),<br />
sier vektorpiler for miljøvariabler noe om hvordan miljøvariablene er relatert til DCA- eller NMDS-aksene i<br />
ordinasjoner av artsobservasjonsdata. Miljøvariablene som var sterkerst relatert til de to første DCA-aksene i<br />
damundersøkelsen er vist med piler i Fig. 9. Pillengden gir uttrykk for hvor sterk sammenhengen er mellom<br />
miljøvariabelen <strong>og</strong> ordinasjonsaksene; jo lengre pil desto sterkere sammenheng.<br />
En annen, svært mye brukt metode for å relatere ordinasjonsakser til miljøvariabler, er<br />
korrelasjonsanalyse; korrelasjonskoeffisienter tallfester hvor sterk sammenhengen er mellom hver enkelt<br />
ordinasjonsakse <strong>og</strong> hver enkelt av de målte miljøvariablene. Tabell 2 viser korrelasjoner mellom DCA-akser<br />
1 <strong>og</strong> 2 i ordinasjonen av 47 vann <strong>og</strong> sumpplantearter i de 64 dammene. I tabellen er det to kolonner for<br />
hver ordinasjonsakse, en venstre kolonne for korrelasjonskoeffisienten (Kendall’s τ) <strong>og</strong> en høyre kolonne<br />
for den tilhørende pverdien for en statistisk test av hypotesen om at det ikke er noen sammenheng mellom<br />
dammenes plassering langs aksen <strong>og</strong> verdien som er målt for miljøvariabelen. En slik test forutsetter at<br />
observasjonene er uavhengige, det vil for eksempel si at dammene ligger langt nok fra hverandre til at<br />
Tabell 2. Korrelasjonkoeffisienter (Kendall’s τ) <strong>og</strong> tilhørende p-verdier mellom DCA-akser <strong>og</strong> miljøvariabler for<br />
ordinasjon av vannplanteartssammensetning i 64 dammer i jordbrukslandskapet i SørøstNorge (Edvardsen<br />
& R. Økland 2006). Bare miljøvariabler med p < 0,05 er vist.<br />
46<br />
DCA1 p DCA2 p<br />
Maks dybde ,1682 ,0495<br />
Innløp ,1458 ,0467<br />
Høyde o.h. ,2054 ,0162<br />
Avstand til bebyggelse ,1930 ,0171<br />
Avstand til sk<strong>og</strong> ,3155 ,0002<br />
Alder ,1781 ,0125<br />
Vanningsdam ,1384 ,0365<br />
Søppelfylling ,1136 ,0084<br />
Nylig utvidet ,1339 ,0206<br />
Konduktivitet ,2277 ,0078<br />
Alkalinitet ,2584 ,0025 ,2148 ,0121<br />
Ca ,2133 ,0127 ,1835 ,0321<br />
Vannfarge ,1925 ,0246<br />
Tuurbiditet ,2331 ,0065<br />
PO 4 P ,3760
ikke artssammensetningen i én dam er direkte avhengig av artssammensetningen i nabodammen. Denne<br />
forutsetningen er i rimelig grad oppfylt i dameksemplet, men grupperte observasjoner som ikke tilfredsstiller<br />
denne forutsetningen er vanlig i undersøkelser av denne typen (for eksempel insektfeller plassert i grupper<br />
av fem i samme sk<strong>og</strong>teig). Dersom dataene er grupperte (’nøstete’), må andre testmetoder brukes om<br />
testen i streng statistisk forstand skal være gyldig, det vil si for å kunne si om aksene er signifikant relatert til<br />
miljøvariablene (R. Økland 2007).<br />
Tabell 2 viser at miljøvariablene som var sterkest relatert til DCA-akse 1 var konsentrasjonene av fosfor<br />
(Tot–P) <strong>og</strong> av fosfat (PO 4 –P) samt avstanden til sk<strong>og</strong> (DistFores), alle med τ > 0.3. Disse variablene hadde<br />
<strong>og</strong>så de lengste pilene i retning mot høyre langs DCA-akse 1 i ordinasjonsdiagrammet i Fig. 9, <strong>og</strong> var blant<br />
variablene som bidro mest til hovedkompleksgradienten i miljøforhold som ble funnet som akse 1 i PCAordinasjonen<br />
av miljødatamatrisa (kapittel 4.1.1). Til sammen viser disse resultatene at hovedgradienten<br />
i artssammensetning <strong>og</strong> miljøforhold i de undersøkte dammene er en økoklin relatert til vannets kjemiske<br />
innhold, særlig konsentrasjonen av fosfat i vannet. De viser dessuten at fosfatinnholdet er én komponent i en<br />
kompleks miljøgradient der <strong>og</strong>så flere andre faktorer inngår.<br />
Det finnes <strong>og</strong>så mange andre hjelpemidler som kan være til nytte i tolkningen av sammenhenger<br />
mellom artssammensetning <strong>og</strong> miljøforhold. Som eksempel kan nevnes at et mer detaljert bilde av<br />
enkeltmiljøvariablenes relasjon til artssammensetningsgradientene kan fås ved å plotte verdiene for en<br />
miljøvariabel på observasjonspunktene (i stedet for observasjonenes numre). Det er <strong>og</strong>så mulig å vise<br />
trender for enkeltmiljøvariabler ved å trekke trendlinjer mellom punkter med samme beregnete verdi for en<br />
miljøvariabel i et slikt diagram.<br />
Artssammensetningsgradienter <strong>og</strong> tilhørende hovedkompleksgradienter, identifisert for ulike<br />
undersøkelsesområder med ulike økosystemer, er det viktigste kunnskapsgrunnlaget for generalisering av<br />
viktige økokliner i NiN (se kapittel 3).<br />
4.2 Utbredelsesmodellering<br />
4.2.1 Definisjon <strong>og</strong> bakgrunn<br />
Utbredelsesmodellering kan for eksempel defineres som ’forsøk på detaljert prediksjon av utbredelse<br />
gjennom å relatere tilstedeværelse eller mengde av et fenomen til miljøvariabler’ [R. Halvorsen (upubl.<br />
manuskript), etter Elith et al (2006)]. I følge denne definisjonen er utbredelsesmodellering gradientanalyse<br />
av utbredelsesdata for arter (eller naturtyper eller andre naturfenomener) <strong>og</strong> ei matrise som inneholder<br />
arealdekkende miljøinformasjon.<br />
Forskningsfeltet utbredelsesmodellering har vært i eksplosiv vekst siden årtusenskiftet (Lobo et al.<br />
2010), <strong>og</strong> blir nå av mange betraktet som en egen disiplin innenfor økol<strong>og</strong>ifaget. Flere navn blir brukt<br />
om dette forskningsfeltet, blant annet bevaringsbi<strong>og</strong>e<strong>og</strong>rafi (Franklin 2010) som henspeiler på feltets<br />
anvendelsesmuligheter. Det teoretiske grunnlaget for utbredelsesmodellering, fagfeltets historie, metodikk<br />
<strong>og</strong> anvendelsesområder blir drøftet i en rekke artikler <strong>og</strong> bøker (f.eks. Guisan & Zimmermann 2000, Araújo<br />
& Guisan 2006, Stokland et al. 2008, Elith & Leathwick 2009, Franklin 2009). Den kortfattete framstillingen<br />
av utbredelsesmodelleringens hoved<strong>prinsipper</strong> som blir gitt her tar utgangspunkt i R. Halvorsen (upubl.<br />
manuskript), men er spesielt tilrettelagt for naturtyper som modellert naturfenomen (responsvariabel).<br />
Arten er det naturfenomenet som hyppigst har blitt utbredelsesmodellert.<br />
Utbredelsesmodelleringsmetoder kan imidlertid med like stor rett brukes til å modellere andre<br />
naturfenomener med et tilstedeværelsesmønster som kan forstås i et gradientanalytisk perspektiv – det vil si<br />
naturfenomener som varierer i grad av tilstedeværelse (<strong>og</strong> mengde) langs viktige miljøgradienter. I kapittel<br />
3.2 blir naturtyper på natursystem <strong>og</strong> landskapsdelnivåene i NiN forklart ut fra dette gradientanalytiske<br />
perspektivet. Naturtyper har imidlertid blitt gjenstand for utbredelsesmodellering bare i et fåtall studier så<br />
langt [eksempler er Cawsey et al. (2002) <strong>og</strong> Dobrowski et al. (2008)]. I Norge er utbredelsesmodellering<br />
etablert som et viktig hjelpemiddel i kartleggingen av marint biol<strong>og</strong>isk mangfold (Rinde et al. 2004, 2006).<br />
Grunnlagsundersøkelsene III–VI er eksempler på fullstendige utbredelsesmodelleringsstudier, med arter (III,<br />
V <strong>og</strong> VI) <strong>og</strong> naturtyper (IV <strong>og</strong> VI) som responsvariabler.<br />
4.2.2 Prinsipper for utbredelsesmodellering<br />
Utbredelsesmodellering (Guisan & Zimmermann 2000) kan beskrives som en sekstrinnsprosess (R.<br />
Halvorsen, upubl. manuskript):<br />
47
1. Innsamling av georefererte responsvariabeldata; det vil si stedfestet informasjon om tilstedeværelse<br />
<strong>og</strong>/eller mengde av en art, en naturtype eller et annet naturfenomen. Typiske kilder for<br />
artstilstedeværelseinformasjon er belegg i naturhistoriske <strong>museum</strong>ssamlinger <strong>og</strong> andre stedfestete<br />
opplysninger om arter (krysslister, nettbaserte databaser for artsobservasjoner etc.; se III, IV <strong>og</strong> VI),<br />
for naturtyper er vegetasjonskart, markslagskart <strong>og</strong> resultater av kartlegging av verdifull natur (i Norge<br />
først <strong>og</strong> fremst ’Den kommunale naturtypekartleggingen’; se kapittel 1 <strong>og</strong> grunnlagsundersøkelse IV)<br />
de viktigste datakildene. Datagrunnlaget for utbredelsesmodellering kan være tilstedeværelse-utenfraværsdata<br />
(presence-only data; se III <strong>og</strong> IV) eller tilstedeværelse-fraværsdata (presence/absence<br />
data; se V <strong>og</strong> VI).<br />
2. Gridding av georefererte responsvariabeldata. De aller fleste utbredelsesmodelleringsmetoder forutsetter<br />
at responsvariabelen er ’gridsamplet’, det vil si at tilstedeværelse (eventuelt <strong>og</strong>så fravær) blir registrert<br />
i ruter i et rutenett (grid) med fast kornstørrelse, plassert over undersøkelsesområdet (Fig. 10a). Noen<br />
utbredelsesmodelleringsmetoder, som for eksempel Maxent (som blir brukt i III, IV <strong>og</strong> VI), er laget slik at<br />
observasjonene av responsvariabelen griddes som ledd i selve utbredelsesmodelleringen. Slike metoder<br />
bruker lister med georeferte tilstedeværelsesobservasjoner som datakilde (se IV). Andre metoder,<br />
som for eksempel BRT (som blir brukt i V), forutsetter i prinsippet datasett som inneholder en verdi<br />
for responsvariabelen i hver eneste rute (gridcelle) i undersøkelsesområdet, eller kan bruke griddete<br />
tilstedeværelsesdata <strong>og</strong> ’tolker’ da ’ikketilstedeværelse’ som ’observert fravær’.<br />
3. Tilrettelegging av griddete prediktorvariabler. Alle utbredelsesmodelleringsmetoder forutsetter at det for<br />
alle prediktorvariabler som skal nyttes i modelleringen finnes målte eller estimerte (modellerte) verdier<br />
for hver eneste gridcelle i det samme rutenettet som blir brukt for gridding av responsvariabeldataene.<br />
Fig. 10b–c viser to prediktorvariabler griddet til samme rutenett som naturfenomenet i Fig. 10a.<br />
Prediktorvariabler blir ofte valgt ut for bruk i utbredelsesmodellering på grunnlag av indikasjoner (for<br />
eksempel resultater av tidligere undersøkelser) på at de kan forklare variasjon i tilstedeværelse av det<br />
modellerte naturfenomenet. I prinsippet kan imidlertid enhver prediktorvariabel som er griddet til rett<br />
kornstørrelse <strong>og</strong> som er tilgjengelig for hele områdeutstrekningen brukes. Grunlagsundersøkelse IV<br />
viser at valget av kornstørrelse for gridding av prediktorvariabler kan ha stor betydning for resultatet av<br />
utbredelsesmodellering.<br />
4. Responsmodellering. Den griddete responsvariabelen modelleres som respons på de griddete<br />
prediktorvariablene ved bruk av en statistisk modelleringsmetode, for eksempel l<strong>og</strong>istisk regresjon<br />
(som vist i Fig. 10f). Dersom den griddete responsvariabelen inneholder reelle fraværsdata blir<br />
naturfenomenets prevalens estimert som del av modellberegningen. Da kan prediksjonene fra<br />
modellen tolkes som predikert sannsynlighet for tilstedeværelse (PPP; predicted probability of<br />
presence). Dette er tilfellet for naturfenomenet i Fig. 10a, hvis prevalens er 0,168, i modelleringen<br />
av eik i grunnlagsundersøkelse V <strong>og</strong> i modelleringen av åpen grunnlendt kalkmark (VI). Dersom den<br />
griddete responsvariabelen består av tilstedeværelseutenfraværsdata gir ikke dataene grunnlag for å<br />
estimere prevalens (Phillips et al. 2006). Prediksjonene fra modellen må da tolkes som relativ predikert<br />
sannsynlighet for tilstedeværelse (RPPP; relative predicted probability of presence). ’Relativ’ betyr i<br />
denne sammenhengen at modellprediksjonene kan sammenliknes mellom gridceller (det vil si at det er<br />
større sannsynlighet for at naturfenomenet skal forekomme i en gridcelle med høyere RPPPverdi enn<br />
i en celle med lavere RPPPverdi), men tallverdiene for RPPP har ikke noen bestemt mening. Dette er<br />
tilfellet i modelleringen av griseblad (Scorzonera humilis) i III <strong>og</strong> modelleringen av kulturmarkseng i IV.<br />
5. Modellevaluering vil si vurdering av hvor god modellen er. Det finnes mange ulike evalueringskriterier<br />
<strong>og</strong> metoder som kan brukes til å vurdere (evaluere) utbredelsesmodeller. Utbredelsesmodeller kan<br />
evalueres ved gjenbruk av treningsdata, det vil si dataene som ble brukt i trinn 2–4 til å lage modellen,<br />
eller ved bruk av et spesielt sett av evalueringsdata, som er innsamlet mer eller mindre uavhengig av<br />
treningsdataene. Evalueringsmetodene kan ordnes i fire kategorier fra mindre til mer stringente (Guisan<br />
& Zimmermann 2000, Elith et al. 2006, Hirzel et al. 2006, Austin 2007, R. Halvorsen, upubl. manuskript):<br />
a. modellsjekk; vurdering av modellen ved bruk av treningsdataene eller ved visuell sammenlikning av<br />
modellprediksjoner med et forventet mønster, inkludert bruk av standard modellvurderings<strong>verktøy</strong><br />
som diagnostiske figurer (for sjekk av residualenes fordelinger etc.; se Crawley 2007) <strong>og</strong> indekser<br />
som for eksempel AIC or BIC;<br />
b. resubstitusjon; tallfesting av modellkvalitet ved resampling (bootstrapping, jackknifing) eller<br />
kryssvalidering (Hastie et al. 2009) med treningsdataene som datagrunnlag (se V for eksempel);<br />
c. datasplitting; tallfesting av modellkvalitet ved at det griddete responsvariabeldatasettet deles i en del<br />
(ofte 70 % av observasjonene; cf. Phillips et al. 2006) som brukes som treningsdata <strong>og</strong> en del som<br />
settes til side <strong>og</strong> bare brukes som evalueringsdata (se IV <strong>og</strong> VI for eksempler); <strong>og</strong><br />
d. bruk av et uavhengig evalueringsdatasett; modellkvaliteten blir da tallfestet ved bruk av et<br />
responsvariabeldatasett som er innsamlet uavhengig av treningsdataene (se III–V for eksempler).<br />
48
Fig. 10. Utbredelsesmodelleringsprosessen, illustrert ved et enkelt eksempel. (a) Griddete forekomstfraværdata<br />
for et hypotetisk naturfenomen (svart = forekomst). (b, c) Verdier for henholdsvis<br />
prediktorvariablene 1 <strong>og</strong> 2 i alle gridruter. (d, e) Responsfunksjoner for naturfenomenet i forhold til<br />
(henholdsvis) hver av prediktorvariablene 1 <strong>og</strong> 2, angitt som forekomstfrekvenser for hver variabelverdi<br />
1–4. (f) L<strong>og</strong>istisk regresjonsmodell for totalresponsen på prediktorvariablene 1 <strong>og</strong> 2. Responsvariabelen<br />
i modellen uttrykker predikert sannsynlighet for forekomst i hver gridcelle. (g) Prediksjoner fra modellen,<br />
visualisert som et prediksjonskart.<br />
49
6. Utarbeidelse av prediksjonskart. Prediksjonskartet (Fig. 10g) er en visualisering av prediksjonene<br />
(PPP eller RPPPverdier) fra responsmodellen (punkt 4) i form av et kartbilde. Dersom<br />
områdeutstrekningen er liten i forhold til kornstørrelsen, kan prediksjonene for hver celle vises<br />
direkte i kartet (som i Fig. 10g; se VI: Fig. 5–6 for eksempler). Dersom imidlertid hver gridcelle er<br />
svært liten i forhold til områdeutstrekningen, vil prediksjonskartet måtte være en glattet modell av<br />
de predikerte sannsynlighetene for tilstedeværelse (se III: Fig. 1 <strong>og</strong> V: Fig. 2). Prediksjonskartet i<br />
Fig. 10g viser det modellerte naturfenomenets tendens til å forekomme mer hyppig i gridceller med<br />
høye verdier for hver av prediktorvariablene (Fig. 10b–f). Mens prediktorvariabel 1 øker fra ’nord’<br />
til ’sør’ i undersøkelsesområdet (uten systematisk variasjon innen hver gruppe av 16 gridceller),<br />
viser prediktorvariabel 2 ingen systematisk variasjon mellom 16cellegruppene men øker fra<br />
’nordøst’ til ’sørvest’ innenfor hver 16cellegruppe. Prediksjonskartet (Fig. 10g) fanger opp disse<br />
variasjonsmønstrene for begge prediktorvariablene <strong>og</strong> det modellerte naturfenomenets respons på dem.<br />
En utbredelsesmodelleringsundersøkelse må minst omfatte trinnene 2–4 (R. Halvorsen, upubl. manuskript).<br />
Det innebærer at responsvariabelen må være basert på utbredelsesdata (trinn 2), at prediktorvariablene<br />
i modellen må være arealdekkende (det vil si at de må være registrert for alle gridceller i hele<br />
undersøkelsesområdet; trinn 3), <strong>og</strong> at det er responsvariabelens respons på én eller flere miljøvariabler som<br />
modelleres, det vil si at modelleringen må være ’responsmodellering i prediktorvariabelrommet’ (trinn 4).<br />
Trinn 4 plasserer utbredelsesmodellering entydig blant gradientanalysemetodene slik disse er<br />
definert i kapittel 3.1 fordi modelleringen i trinn 4 er et spesialtilfelle av modellering av arters respons<br />
på miljøgradienter (kapittel 3.2). De eneste forskjellene mellom artsresponskurvene i Fig. 2–3 <strong>og</strong><br />
responsmodellen i Fig. 10f er at førstnevnte viser respons på én prediktorvariabel (miljøvariabel) mens<br />
sistnevnte viser respons på to prediktorvariabler på samme tid, <strong>og</strong> at førstnevnte ikke er basert på<br />
utbredelsesdata (klargjort for analyse gjennom trinnene 2 <strong>og</strong> 3). Det som særmerker utbredelsesmodellering<br />
i forhold til annen responsmodellering er altså trinnene 2 <strong>og</strong> 3, bruken av griddete utbredelsesdata <strong>og</strong><br />
arealdekkende prediktorvariabler.<br />
I kapittel 3.2 forklares hvorfor det ikke er noen prinsipiell forskjell mellom arter <strong>og</strong> naturtyper som<br />
responsvariabel i utbredelsesmodellering – både arter <strong>og</strong> naturtyper kan forstås ut fra et gradientanalytisk<br />
perspektiv.<br />
De samme regresjonsmetodene som brukes for å modellere arters respons på enkeltmiljøgradienter (se<br />
kapittel 3.2) kan i prinsippet <strong>og</strong>så brukes for utbredelsesmodellering. L<strong>og</strong>istisk regresjon (Pearce & Ferrier<br />
2000a) <strong>og</strong> GAM (Leathwick 1995, Lehmann et al. 2002) er eksempler på slike metoder. Men i tillegg finnes<br />
nå <strong>og</strong>så en rekke spesialutviklete metoder for utbredelsesmodellering, som tar hensyn til at slike data har<br />
spesielle egenskaper har (som for eksempel at de ofte er av typen tilstedeværelseutenfravær). Metoder<br />
for utbredelsesmodellering er grundig beskrevet i en rekke artikler <strong>og</strong> bøker, se Stokland et al. (2008) <strong>og</strong><br />
Franklin (2009) for et overblikk. Temaet metodevalg blir drøftet i litt større detalj i kapittel 4.2.5, punkt 2.<br />
4.2.3 Tre ulike formål med utbredelsesmodellering<br />
Utbredelsesmodellering kan ha ulike formål. Hvilken hensikt utbredelsesmodelleringen har bestemmer hvilke<br />
prediktorvariabler som egner seg, hvilken modelleringsmetode som bør velges <strong>og</strong> hvilke valg som er best<br />
for de mange spesifikasjonene som må gjøres i utbredelsesmodelleringsmetodene (Jiménez-Valverde et al.<br />
2008, Franklin 2009).<br />
R. Halvorsen (upubl. manuskript) skiller mellom tre ulike formål, som ikke er klart adskilt:<br />
1. Økol<strong>og</strong>isk responsmodellering (ØRM; ecol<strong>og</strong>ical response modelling); utbredelsesmodellering med<br />
hovedformål å finne generelt gyldige sammenhenger mellom tilstedeværelse av et naturfenomen <strong>og</strong><br />
et spesifikt sett av miljøfaktorer. Fokuset i ØRM er på trinn 4 i utbredelsesmodelleringsprosedyra; som<br />
i prinsippet er det samme fokuset vi har når vi modellerer enkeltarters respons på enkeltmiljøvariabler<br />
(kapittel 3.2). ØRM er ikke uforenlig med at det <strong>og</strong>så kan være interesse knyttet til et prediksjonskart<br />
(trinn 6 i utbredelsesmodelleringsprosedyra), men hovedformålet med ØRM (<strong>og</strong> suksesskriteriet for en<br />
ØRMmodell) er størst mulig innsikt i sammenhengene mellom responsvariabel <strong>og</strong> miljøfaktorer, ikke<br />
best mulig romlige prediksjoner.<br />
2. Romlig prediksjonsmodellering (RPM; spatial predcition modelling); utbredelsesmodellering med<br />
hovedformål å finne den modellen som oftest predikerer naturfenomenets sanne tilstedeværelse <strong>og</strong><br />
fravær riktig, det vil si som resulterer i et prediksjonskart som stemmer best mulig overens med det<br />
modellerte naturfenomenets utbredelse på et gitt tidspunkt. Fokuset i RPM er på resultatet av trinn 6 i<br />
utbredelsesmodelleringsprosedyra.<br />
3. Tidsprediksjonsmodellering (TPM; temporal prediction modelling), prediksjonsmodellering av framtidig<br />
50
(eller fortidig) utbredelse; utbredelsesmodellering med hovedformål å gi en mest mulig troverdig<br />
beskrivelse av et naturfenomens utbredelse under gitte, spesifiserte forutsetninger, gjerne svarende til et<br />
scenario for miljøforhold på et annet tidspunkt enn responsvariabeldataene er samlet inn.<br />
Fokuset i responsmodellering (ØRM) skiller seg fundamentalt forskjellig fra fokuset i prediksjonsmodellering<br />
(RPM <strong>og</strong> TPM) ved at hensikten er å finne generelt gyldige sammenhenger mellom respons <strong>og</strong> prediktorer<br />
<strong>og</strong> ikke (som i RPM <strong>og</strong> til dels i TPM) i seg sjøl å gjøre gode prediksjoner. Mens beskrivelse av mønstre ved<br />
hjelp av responsmodellering (ØRM) kan være et viktig skritt på vegen til å forstå underliggende mekanismer<br />
<strong>og</strong> prosesser, har (romlig) prediksjonsmodellering oftest et klart anvendt formål, som for eksempel å<br />
effektivisere leitingen etter et sjeldent naturfenomen (Guisan et al. 2006).<br />
4.2.4 Bruk av utbredelsesmodellering i naturovervåking<br />
Alle de tre formålene med utbredelsesmodellering er relevante for naturovervåking. Responsmodellering<br />
(ØRM) kan være viktig som hjelpemiddel for å beskrive, <strong>og</strong> i neste omgang forstå, hvilke miljøfaktorer<br />
som bestemmer utbredelsen til (<strong>og</strong> variasjonen i tilstedeværelse <strong>og</strong> hyppighet av) en art, en naturtype<br />
eller et annet naturfenomen innenfor utbredelsesområdet. Tidsprediksjonsmodellering (TPM) er et<br />
viktig hjelpemiddel ved scenariebygging, for eksempel i forbindelse med vurdering av utdøingsrisiko<br />
(rødlistevurdering). Romlig prediksjonsmodellering (RPM) står imidlertid i en særstilling når det gjelder<br />
betydning for naturovervåking fordi RPM er kjerneelementet i sannynlighetsbasert datainnsamling (se<br />
kapittel 5.3.4 <strong>og</strong> grunnlagsundersøkelse VII); en overvåkingsmetode som muliggjør statistisk holdbar <strong>og</strong><br />
samtidig kostnadseffektiv overvåking av naturfenomener (arter <strong>og</strong> naturtyper) som er for sjeldne til å kunne<br />
overvåkes med arealrepresentative datainnsamlingsmetoder (se kapittel 5.4.4). RPM er <strong>og</strong>så viktig som ledd<br />
i estimering av viktige egenskaper ved et naturfenomen, som for eksempel dets tilstedeværelsefrekvens<br />
(prevalens i observasjonsenheter med gitt kornstørrelse).<br />
De fire grunnlagsundersøkelsene III–VI som inngår i NatTOv-prosjektet har romlig<br />
prediksdjonsmodellering (RPM) som hovedformål. Det forhindrer naturligvis ikke at resultatene kan gi<br />
verdifull ny kunnskap om det modellerte naturfenomenets respons på viktige miljøfaktorer (i tråd med ØRMformålet).<br />
Eikemodellen i V er et eksempel på dette.<br />
4.2.5 Valg av metode <strong>og</strong> metodespesifikasjoner i romlig prediksjonsmodellering<br />
Romlig prediksjonsmodellering (RPM) er en hjørnestein i sannsynlighetsbasert datainnsamling. Dette<br />
kapitlet inneholder derfor en kortfattet drøfting av metodevalg <strong>og</strong> metodespesifikasjoner i romlig<br />
prediksjonsmodellering, med vekt på forhold som har betydning for bruk til sannsynlighetsbasert<br />
datainnsamling. Utfyllende informasjon om hvilke valg som bør gjøres i ØRM, finnes i R. Halvorsen (upubl.<br />
manuskript), mens metodevalg i tidsprediksjonsmodellering blant annet er drøftet av Araújo et al. (2005),<br />
Elith & Leathwick (2009), Franklin (2010) <strong>og</strong> Gallien et al. (2010). Følgende punkter er viktige:<br />
1. Valg av prediktorvariabler. I prinsippet er det eneste kravet som må tilfredsstilles for at en variabel<br />
skal være nyttig som prediktorvariabel i romlig prediksjonsmodellering at den kan ’forklare’ variasjon i<br />
den griddete georefererte responsvariabelen som ikke <strong>og</strong>så kan forklares av andre variabler. Hvis en<br />
prediktorvariabel <strong>og</strong>så bidrar til innsikt i ’generelt gyldige sammenhenger mellom tilstedeværelse av et<br />
naturfenomen <strong>og</strong> et spesifikt sett av [betingende] miljøfaktorer’ (jf. definisjonen av ØRM-formålet med<br />
utbredelsesmodellering), vil det være å betrakte som en nyttig tilleggseffekt (se V).<br />
R. Halvorsen (upubl. manuskript) deler prediktorvariabler som er aktuelle for utbredelsesmodellering<br />
inn i tre kategorier; miljøprediktorer, arealdekkeprediktorer (land cover predictors) <strong>og</strong> biotiske<br />
prediktorer (tilstedeværelse av enkeltarter, oftest dominerende arter). Både miljøprediktorer <strong>og</strong><br />
arealdekkeprediktorer er viktige for naturtypemodellering, <strong>og</strong> begge disse kategoriene blir benyttet i<br />
alle grunnlagsundersøkelsene III–VI. Miljøprediktorene (som for eksempel klimaforhold, kalkinnhold,<br />
hevdintensitet, flompåvirkning etc.) kan representere faktorer som avgjør om den aktuelle naturtypen<br />
er til stede eller ikke på et gitt sted, eller de kan tjene som surr<strong>og</strong>ater for slike viktige faktorer.<br />
Arealdekkeprediktorer (for eksempel markslag) kan være viktige som lett tilgjengelige surr<strong>og</strong>ater for<br />
viktige miljøfaktorer (inkludert tilstandsfaktorer) som det er vanskelig eller umulig å skaffe arealdekkende<br />
data for (for eksempel markfuktighet). Romlige prediksjonsmodellers evne til presis prediksjon<br />
avhenger ofte av hvorvidt prediktorvariablene omfatter surr<strong>og</strong>atvariabler for viktige, men vanskelig<br />
kvantifiserbare miljøfaktorer. Pearson et al. (2004) <strong>og</strong> Parviainen et al. (2008) har for eksempel vist at<br />
arealdekkeprediktorer som fanger opp tilstedeværelse av torvmark forbedrer romlige prediksjonsmodeller<br />
for våtmarksarter vesentlig, mens slike prediktorvariabler hadde minimal effekt på modeller for<br />
51
fastmarksarter. Dette skyldtes at forskjellen mellom våtmark <strong>og</strong> fastmark ikke ble fanget opp av andre<br />
prediktorvariabler enn denne arealdekkeprediktoren. Flere eksempler på bruk av miljøprediktorer <strong>og</strong><br />
arealdekkeprediktorer i romlig prediksjonsmodellering <strong>og</strong> drøfting av prediktorvariabelvalg finnes i III-VI.<br />
Fjernmåleinformasjon (satelittdata, laserscanningdata etc.) kan brukes til å framskaffe arealdekkende<br />
prediktorvariabler. Tester som er gjort så langt indikerer at prediktorvariabler avledet fra satellittdata<br />
vanligvis ikke forbedrer RPMmodeller vesentlig (Thuiller et al. 2004, Bradley & Fleishman 2008,<br />
Franklin 2009). Resultatene av modelleringen av natursystemhovedtypen kulturmarkseng i<br />
grunnlagsundersøkelse IV var intet unntak. Prediktorvariabler avledet fra laserscanningdata kan<br />
imidlertid vise seg å være et viktig unntak. Laserscanningdata kan brukes til å lage kraftig forbedrete<br />
digitale høydemodeller (Korpela et al. 2009). Digitale høydemodeller (DEM) er svært viktige som<br />
grunnlag for beregning av top<strong>og</strong>rafiske variabler, som i sin tur brukes til å beregne indekser for<br />
fuktighet <strong>og</strong> varmeinnstråling (van Neil et al. 2004, Lassueur et al. 2006, van Neil & Austin 2007).<br />
Laserscanningdata gjør det mulig å avlede detaljerte vegetasjonsstrukturvariabler, inkludert å identifisere<br />
enkelttrær (Næsset & T. Økland 2002, Holmgren & Persson 2004, Hill & Broughton 2009). Det<br />
burde derfor være mulig å avlede fra laserscanningdata gode surr<strong>og</strong>atvariabler for miljøfaktorer som<br />
strømengde <strong>og</strong> vannmetning av marka (R. Økland & Eilertsen 1993, T. Økland 1996). Dette blir prøvd ut i<br />
et delprosjekt under NatTOv som vil bli rapportert separat.<br />
For mange, kanskje de fleste, viktige miljøfaktorer er det fortsatt ikke mulig å oppdrive arealdekkende<br />
prediktorvariabeldata eller gode surr<strong>og</strong>atvariabler for disse (for eksempel basert på arealdekke) med<br />
den dekningen <strong>og</strong> romlige oppløsningen som trengs for å kunne brukes i romlig prediksjonsmodellering.<br />
Alle case studies III–VI konkluderer med at mangelen på arealdekkende data for mange viktige<br />
prediktorvariabel nå er én av de faktorene som sterkest begrenser muligheten for å lage gode romlige<br />
prediksjonsmodeller for mange overvåkingsrelevante naturfenomener (arter, naturtyper, geol<strong>og</strong>iske<br />
forekomster) i Norge (R. Halvorsen, upubl. manuskript).<br />
2. Metodevalg. I løpet av de siste årene har det blitt gjennomført store, sammenliknende studier av<br />
utbredelsesmodelleringsmetoder der metodenes evne til korrekt romlig prediksjon er brukt som kriterium<br />
for hvor gode metodene er (Elith et al. 2006, Guisan et al. 2007, Elith & Graham 2009, Phillips et<br />
al. 2009, Mateo et al. 2010). Disse studiene peker klart ut to metoder best egnet for RPM; Maxent<br />
(Phillips et al. 2006, Phillips & Dudík 2008, Elith et al. 2011), som er en statistisk metode basert på<br />
entropimaksimeringsprinsippet (Jaynes 1957), <strong>og</strong> BRT (boosted regression trees; De´ath 2007, Elith<br />
et al. 2008), som er en klassifikasjonsbasert maskinlæringsmetode. Både Maxent (som blir benyttet i<br />
grunnlagsundersøkelsene III, IV <strong>og</strong> VI) <strong>og</strong> BRT (som blir benyttet i V) er ’gruppediskrimineringsmetoder’<br />
(group discriminative methods) som kjennetegnes ved at prediktorvariabelegenskaper for gridceller<br />
der det modellerte naturfenomenet forekommer sammenliknes med egenskaper for celler med<br />
registrert fravær, antatt fravær (pseudo-absence observations) eller med tilfeldig valgte celler<br />
(background observations). Gruppediskrimineringsmetoder gir generelt bedre resultater enn<br />
’profilmetoder’ (profile techniques), metoder der tilstedeværelse blir modellert bare på grunnlag av<br />
prediktorvariabelegenskapene for gridceller med tilstedeværelse (Mateo et al. 2010). En fordel med<br />
Maxent er at metoden sammenlikner tilstedeværelseobservasjoner med bakgrunnsobservasjoner uten at<br />
’falske fraværsdatasett’ må lages fra tilstedeværelseutenfraværdatasett (Phillips & Dudík 2008).<br />
3. Metodespesifikasjoner. En ØRMmodell skal gi grunnlag for å drøfte den funksjonelle sammenhengen<br />
mellom respons <strong>og</strong> prediktorer, derfor står responsfunksjonen i seg sjøl i fokus. Fordi naturfenomener<br />
som arter <strong>og</strong> naturtyper normalt har en unimodal respons på viktige komplekse miljøgradienter<br />
(kapittel 3.2), er svært komplekse funksjoner med mange parametre lite troverdige som ØRMmodeller<br />
– de stemmer rett <strong>og</strong> slett ikke overens med vår teoretiske forståelse av hvordan naturfenomeners<br />
tilstedeværelse variaerer langs komplekse miljøgradienter. Med romlig prediksjonsmodellering (RPM)<br />
er det annerledes. Når formålet med utbredelsesmodellering er best mulige romlige prediksjoner, spiller<br />
det i prinsippet ingen rolle om modellen er enkel eller kompleks bare den har bedre evne til å predikere<br />
naturfenomenets tilstedeværelse enn konkurrerende modeller (cf. JiménezValverde et al. 2008).<br />
4.2.6 Evaluering av romlige prediksjonsmodeller ved bruk av uavhengige evalueringsdata<br />
Det eneste viktige kriteriet for hvor god en romlig prediksjonsmodell er, er hvor korrekt modellen<br />
predikerer et naturfenomens sanne tilstedeværelse <strong>og</strong> fravær. Begrepet ’sann’ er et nøkkelbegrep i denne<br />
sammenhengen. Aktuelle treningsdata for romlig prediksjonsmodellering er gjerne tilstedeværelseutenfraværsdata<br />
som er samlet inn uten tanke på å være representative for artens eller naturtypens virkelige<br />
utbredelse. Det er derfor stor fare for at slike data gir et fordreid bilde av den virkelige utbredelsen av<br />
naturfenomenet [dette er grundig diskutert av Loiselle et al. (2008), Mateo et al. (2010) <strong>og</strong> Robertson et<br />
al. (2010), blant andre, <strong>og</strong> det drøftes <strong>og</strong>så i grunnlagsundersøkelsene IV, V <strong>og</strong> VI]. For eksempel er ofte<br />
52
Fig. 11. Sammenheng mellom RPPP (modellert relativ predikert sannsynlighet for tilstedeværelse) fra en<br />
romlig prediksjonsmodell <strong>og</strong> reell sannsynlighet for at det modellerte naturfenomenet ikke er til stede (TPA;<br />
blå linje) <strong>og</strong> at det er til stede (TPP; rød kurve) for tre ulike modeller. (a) En teoretisk, perfekt modell der<br />
RPPPverdier < RPPP t svarer til ikketilstedeværelse <strong>og</strong> RPPP > RPPP t svarer til tilstedeværelse. (b) En<br />
god, men ikke perfekt modell med sterk sammenheng mellom TPP (rød linje) <strong>og</strong> RPPP. (c) En mindre god<br />
modell, med svak sammenheng mellom TPP <strong>og</strong> RPPP.<br />
lett tilgjengelige <strong>og</strong> opplagt sannsynlige lokaliteter saumfart mye grundigere enn avsidesliggende steder<br />
der funn i utgangspunktet er mindre sannsynlig. RPM skiller seg fra ØRM <strong>og</strong> TPM ved at det eksisterer en<br />
underliggende sannhet om utbredelse <strong>og</strong> tilstedeværelse av det modellerte naturfenomenet. Sjøl om det ofte<br />
ikke er enkelt, er det i hvert fall i teorien mulig å innhente informasjon om naturfenomenets tilstedeværelse<br />
<strong>og</strong> fravær, uavhengig av treningsdataene som blir brukt til å lage modellen. Det er derfor, i prinsippet, alltid<br />
mulig å evaluere RPMmodellers prediksjonsevne ved bruk av uavhengige evalueringsdata. Det er bare<br />
ved bruk av uavhengige evalueringsdata at det er mulig å sammenlikne ulike romlige prediksjonsmodeller<br />
med hensyn til evne til prediksjon av sann tilstedeværelse <strong>og</strong> sant fravær (Austin 2007, R. Halvorsen, upubl.<br />
53
manuskript). Sjøl om innsamling av uavhengige evalueringsdata for sjeldne naturfenomener kan være<br />
svært tid <strong>og</strong> ressurskrevende, er evaluering ved bruk av uavhengige evalueringsdata en nødvendighet<br />
når prediksjonsmodeller skal legges til grunn for sannsynlighetsbasert datainnsamling (Halvorsen,<br />
upubl. manuskript). Utprøving av evaluering ved bruk av uavhengig innsamlete evalueringsdata ble<br />
derfor prioritert i NatTOvprosjektet (se III, IV <strong>og</strong> V). Grunnen til at evaluering med uavhengige data er<br />
så viktig i overvåkingssammenheng, er at naturovervåking har et svært langt tidsperspektiv; siktemålet<br />
er jo å bygge opp en lang tidsserie av data. I dette lange tidsperspektivet innebærer innsamlingen av<br />
overvåkingsdata i seg sjøl svært store investeringer, <strong>og</strong> den kvalitetssikringen av overvåkingsdata som bruk<br />
av uavhengige evalueringsdata representerer, vil utgjøre en liten andel av de totale kostnadene. Dersom<br />
responsvariabeldataene som blir brukt i modelleringen er tilstedeværelse-uten-fraværsdata, finnes dessuten<br />
en svært viktig tilleggsgrunn for å bruke et uavhengig innsamlet evalueringsdatasett til å evaluere romlige<br />
prediksjonsmodeller: reelle tilstedeværelse <strong>og</strong> fraværsdata er en forutsetning for å kunne ’oversette’<br />
prediksjonene fra modellen, som er relativ predikert sannsynlighet for tilstedeværelse (RPPP), til reell<br />
sannsynlighet for tilstedeværelse (TPP; true probability of presence).<br />
Det finnes mange metoder for evaluering av romlige prediksjonsmodeller på grunnlag av uavhengige<br />
evalueringsdata (se blant andre Pearce & Ferrier 2000b, Elith et al. 2006, JiménezValverde & Lobo 2007,<br />
Lobo et al. 2008). Den mest benyttete enkeltindikatoren på hvor god en romlig prediksjonsmodell er AUC<br />
[area under the receiver operating characteristic (ROC) curve] (Hanley & McNeil 1982, Fielding & Bell 1997).<br />
Fordi AUC <strong>og</strong> andre indikatorer på romlige prediksjonsmodeller prediksjonsevne som tar utgangspunkt i<br />
ROC-kurva står så sentralt i bruken av romlig prediksjonsmodellering i natur(type)overvåking, vil denne<br />
evalueringsmetoden bli forklart i detalj <strong>og</strong> illustrert med et enkelt, konstruert eksempel. Virkelige eksempler<br />
finnes i grunnlagsundersøkelsene III–V.<br />
En romlig prediksjonsmodell tilordner en relativ predikert sannsynlighet for tilstedeværelse (RPPP j ) til<br />
hver eneste gridrute j i undersøkelsesområdet. RPPPverdiene blir ofte (men trenger ikke nødvendigvis<br />
bli) angitt på en sannsynlighetsskala, det vil si med minimumsverdi 0 <strong>og</strong> maksimumsverdi 1. For en ideell<br />
romlig prediksjonsmodell finnes en terskelverdi RPPP t slik at det modellerte naturfenomenet er til stede i alle<br />
gridruter j med RPPP j > RPPP t <strong>og</strong> fraværende fra alle gridruter j med RPPP j < RPPP t . Terskelverdien RPPP t<br />
kan da brukes til å skille sann tilstedeværelse (RPPP j > RPPP t ) fra sant fravær (RPPP j < RPPP t ) (Fig. 11a).<br />
I den virkelige verden er det umulig å lage en perfekt prediksjonsmodell, <strong>og</strong> det finnes derfor heller<br />
aldri noen terskelverdi RPPP t som skiller perfekt mellom sann tilstedeværelse <strong>og</strong> sant fravær (Fig. 11).<br />
Derfor trenger vi i stedet å kunne måle hvor gode prediksjonene fra en romlig prediksjonsmodell egentlig<br />
er, det vil si hvor god sammenhengen er mellom modellprediksjoner RPPP j <strong>og</strong> reell sannsynlighet for<br />
tilstedeværelse (TPP j ; true probability of presence) i gridrute j. Evaluering av romlige prediksjonsmodeller<br />
forutsetter at det finnes reelle tilstedeværelse-fraværsobservasjoner for naturfenomenet i et tilstrekkelig<br />
antall (n) gridruter i undersøkelsesområdet til å trekke statistisk holdbare slutninger om sammenhengen er<br />
mellom RPPP <strong>og</strong> TPP. Fordi vi ønsker å vurdere prediksjonsmodellens generelle prediksjonsevne, bør de<br />
n tilstedeværelsefraværsobservasjonene i det uavhengige evalueringsdatasettet være godt spredd utover<br />
hele skalaen for RPPPverdier. Flere ulike utvalgsmetoder kan være aktuelle for innsamling av uavhengige<br />
evalueringsdata (se grunnlagsundersøkelsene III–V for eksempler), men for naturfenomener med lav<br />
prevalens utpeker oftest stratifisert tilfeldig utvelgelse med RPPP som stratifiseringsgrunnlag seg som eneste<br />
realistiske metode (III <strong>og</strong> V). For naturfenomener med høyere prevalens er det mulig å bruke et (mer) tilfeldig<br />
utvalg av gridruter (IV). Innsamling av uavhengige evalueringsdata innebærer at hver av de n uttrukne<br />
gridrutene sjekkes for tilstedeværelse eller fravær av det modellerte naturfenomenet. Denne utsjekken gjøres<br />
på den mest rasjonelle måten som gir sikre observasjoner, for eksempel ved hjelp av kart, flybilder eller<br />
liknende hvis mulig <strong>og</strong> ellers ved feltundersøkelse. Resultatet er et sett av observasjoner for den binære<br />
variabelen OP (observert tilstedeværelse; observed presence) for de n gridrutene; som utgjør vektoren OPj, j<br />
= 1, ..., n [tilsvarende kan vi definere OA (observert fravær; observed absence) for de n gridrutene; vektoren<br />
OAj, j = 1, ..., n]. For hver av de n observasjonene som inngår i det uavhengige evalueringsdatasettet finnes<br />
en relativ predikert sannsynlighet for tilstedeværelse (RPPP j ), gitt av prediksjonsmodellen.<br />
At det ikke finnes noen terskelverdi RPPP t som deler gridrutene i ei gruppe der det modellerte<br />
naturfenomenet sikkert er til stede <strong>og</strong> ei gruppe der dette sikkert ikke er til stede (sant fravær) innebærer<br />
at sannsynlighetsfordelingene for TPP j (sann tilstedeværelse) <strong>og</strong> for TPA j = 1 – TPP j (sant fravær) som<br />
funksjon av RPPP overlapper (Fig. 11). Kurvene for sann tilstedeværelse <strong>og</strong> sant fravær som funksjon av<br />
RPPP kan ha mange ulike forløp (jf. forskjellen mellom Fig. 11b <strong>og</strong> 11c), <strong>og</strong> kurvene påvirkes <strong>og</strong>så av det<br />
modellerte naturfenomenets prevalens; sjeldne naturfenomener må forventes å bli påtruffet sjeldnere i<br />
evalueringsdatasettet, slik at kurven for sann tilstedeværelse gjennomgående vil ligge lavere enn for mindre<br />
sjeldne naturfenomener. Modellen i Fig. 11c er mindre god enn modellen i Fig. 11b, men det skyldes at den<br />
røde kurven i Fig. 11c stiger langsommere når RPPP øker, ikke at den ikke stiger til samme høye nivå som i<br />
54
Tabell 3. 2 × 2 krysstabell (confusion matrix) for sammenheng mellom observert <strong>og</strong> predikert tilstedeværelse<br />
<strong>og</strong> fravær på grunnlag av romlig prediksjonsmodell, gitt en terskelverdi k som setter skillet mellom predikert<br />
fravær <strong>og</strong> predikert tilstedeværelse. Hver av de fire cellene i krysstabellen inneholder antallet observasjoner<br />
i evalueringsdatasettet som svarer til den angitte kombinasjonen av predikert <strong>og</strong> observert tilstedeværelse/<br />
fravær.<br />
Predikert (basert på<br />
modell; RPPP)<br />
Til stede<br />
Fraværende<br />
Observert (basert på evalueringsdata; OP)<br />
Til stede Fraværende<br />
korrekt predikert<br />
tilstedeværelse (a)<br />
feilaktig predikert fravær<br />
(c)<br />
Fig. 11b. Det er altså hvor sterkt TPP-kurven stiger som bestemmer hvor god modellen er. ROC-kurven er et<br />
redskap for å tallfeste hvor gode prediksjonene fra en modell er, over hele spekteret av RPPP-verdier. ROCkurven<br />
tar utgangspunkt i m 2 × 2 krysstabeller, confusion matrices (k = 1, ..., m); én krysstabell for hver av<br />
m terskelverdier RPPP k . For en gitt terskelverdi er det mulig å skille mellom predikert tilstedeværelse (TPP j<br />
= 1 når RPPP > RPPP k ) <strong>og</strong> predikert fravær (TPP j = 0 når RPPP < RPPP k ) (Tabell 3). En modell er god når<br />
dens evne til korrekt prediksjon, både av tilstedeværelse <strong>og</strong> av fravær, er god. For å kunne sammenlikne<br />
tallene for korrekt predikert tilstedeværelse (a i Tabell 3) <strong>og</strong> korrekt predikert fravær (d i Tabell 3) uavhengig<br />
av om artene er vanlige eller sjeldne, blir indekser for ’modellgodhet’ ikke beregnet direkte fra tallene a, b,<br />
c <strong>og</strong> d i Tabell 3. I stedet blir tallene for a <strong>og</strong> c (hvordan modellen håndterer observert tilstedeværelse) gjort<br />
sammenliknbare med tallene b <strong>og</strong> d (hvordan modellen håndterer observert fravær) ved å definere fire nye<br />
indikatorer:<br />
• sensitivitet (andel ekte positiver; sensivitivy, true positive rate) = , modellens evne til korrekt<br />
prediksjon av observert tilstedeværelse; andelen av tilstedeværelsesobservasjoner som er korrekt<br />
predikert<br />
• spesifisitet (andel ekte negativer; specificity, true negative rate) = , modellens evne til korrekt<br />
prediksjon av observert fravær; andelen av fraværsobservasjoner som er korrekt predikert<br />
• omission error (andel falske negativer; false negative rate, som kan oversettes med ’unnlatelsesfeil’ eller<br />
’umeldte alarmer’) = , 1 – sensitivitet, risikoen for at modellen feilaktig skal predikere fravær når<br />
tilstedeværelse er observert; andelen av tilstedeværelsesobservasjoner som er feilaktig predikert<br />
• commission error (andel falske positiver; false positive rate, som kan oversettes med ’feilvarsling’ eller<br />
’falske alarmer’) = , 1 – spesifisitet, risikoen for at modellen feilaktig skal predikere tilstedeværelse<br />
når fravær er observert; andelen av fraværsobservasjoner som er feilaktig predikert<br />
feilaktig predikert<br />
tilstedeværelse (b)<br />
korrekt predikert<br />
fravær (d)<br />
Både sensitiviteten <strong>og</strong> spesifisiteten til en romlig prediksjonsmodell avhenger av terskelverdien RPPP k .<br />
Når terskelverdien er nær null, er sensitiviteten høy fordi modellen da predikerer tilstedeværelse i nesten<br />
alle gridruter, mens spesifisiteten er tilsvarende lav fordi fravær blir predikert for svært få gridruter. Når<br />
terskelverdien er høy, blir det omvendt. Verken lave eller høye terskelverdier er hensiktsmessig. Dersom vi<br />
ønsker pålitelige prediksjoner både av tilstedeværelse <strong>og</strong> fravær, må det velges en terskelverdi et sted midt<br />
mellom 0 <strong>og</strong> 1. Hvilken terskel som er den optimale, avhenger av hva som er viktigst; høy sensitivitet eller<br />
høy spesifisitet (eller en balanse mellom dem). Ved romlig prediksjonsmodellering av naturfenomener er<br />
terskelvalg vanligvis ikke en interessant problemstilling i seg sjøl; det er ingen grunn til å gjøre om RPPPverdiene<br />
til predikert tilstedeværelse/fravær når sannsynlighet for tilstedeværelse på en skala fra 0 til 1<br />
gir en mer detaljert <strong>og</strong> realistisk indikasjon på om fenomenet vi modellerer er til stede eller ikke. Men det<br />
finnes formål der en slik konvertering til ’ja’ <strong>og</strong> ’nei’ er helt nødvendig. Begrepet ROC-kurve stammer fra<br />
risikoanalyse <strong>og</strong> ble utviklet under annen verdenskrig da en receiver operator (radiotelegrafist) på grunnlag<br />
av mottatte radarsignaler skulle tolke hvilke konsekvenser de mottatte signalene skulle få (ja eller nei til ulike<br />
alternative tiltak). Vegen via terskelverdier er dessuten helt nødvendig for å kunne beregne hvor god en<br />
romlig prediksjonsmodell i det store <strong>og</strong> hele er, fordi dette innebærer å evaluere metoden over hele spekteret<br />
55
Tabell 4. Tenkt evalueringsdatasett som brukes til å illustrere beregning av tallgrunnlaget for en ROC-kurve.<br />
j = observasjonsnummer; RPPP = tilhørende relativ predikert sannsynlighet for tilstedeværelse; OP =<br />
observert tilstedeværelse (1) eller fravær (0); AEP = andel ekte positiver; AFP = andel falske positiver.<br />
56<br />
j RPPP j OP j AEP AFP j RPPP j OP j AEP AFP<br />
1 0,02 0 1,00 0,98 51 0,63 0 0,72 0,30<br />
2 0,05 0 1,00 0,96 52 0,64 1 0,70 0,30<br />
3 0,06 0 1,00 0,94 53 0,66 0 0,70 0,28<br />
4 0,08 0 1,00 0,93 54 0,67 0 0,70 0,26<br />
5 0,11 0 1,00 0,91 55 0,67 1 0,67 0,26<br />
6 0,12 0 1,00 0,89 56 0,68 1 0,65 0,26<br />
7 0,15 0 1,00 0,87 57 0,69 1 0,63 0,26<br />
8 0,16 0 1,00 0,85 58 0,70 0 0,63 0,24<br />
9 0,16 0 1,00 0,83 59 0,70 0 0,63 0,22<br />
10 0,17 0 1,00 0,81 60 0,71 1 0,61 0,22<br />
11 0,19 0 1,00 0,80 61 0,72 0 0,61 0,20<br />
12 0,21 1 0,98 0,80 62 0,74 1 0,59 0,20<br />
13 0,22 0 0,98 0,78 63 0,74 0 0,59 0,19<br />
14 0,22 0 0,98 0,76 64 0,74 1 0,57 0,19<br />
15 0,24 0 0,98 0,74 65 0,75 1 0,54 0,19<br />
16 0,25 0 0,98 0,72 66 0,76 1 0,52 0,19<br />
17 0,26 0 0,98 0,70 67 0,76 0 0,52 0,17<br />
18 0,28 1 0,96 0,70 68 0,77 1 0,50 0,17<br />
19 0,28 1 0,93 0,70 69 0,77 1 0,48 0,17<br />
20 0,31 0 0,93 0,69 70 0,79 0 0,48 0,15<br />
21 0,32 0 0,93 0,67 71 0,80 0 0,48 0,13<br />
22 0,33 0 0,93 0,65 72 0,81 1 0,46 0,13<br />
23 0,33 0 0,93 0,63 73 0,81 1 0,43 0,13<br />
24 0,33 0 0,93 0,61 74 0,82 0 0,43 0,11<br />
25 0,36 0 0,93 0,59 75 0,82 1 0,41 0,11<br />
26 0,36 1 0,91 0,59 76 0,83 0 0,41 0,09<br />
27 0,38 0 0,91 0,57 77 0,84 1 0,39 0,09<br />
28 0,39 1 0,89 0,57 78 0,86 1 0,37 0,09<br />
29 0,40 0 0,89 0,56 79 0,87 1 0,35 0,09<br />
30 0,40 0 0,89 0,54 80 0,87 1 0,33 0,09<br />
31 0,42 0 0,89 0,52 81 0,87 0 0,33 0,07<br />
32 0,44 0 0,89 0,50 82 0,88 1 0,30 0,07<br />
33 0,45 1 0,87 0,50 83 0,88 1 0,28 0,07<br />
34 0,47 0 0,87 0,48 84 0,89 0 0,28 0,06<br />
35 0,47 0 0,87 0,46 85 0,90 1 0,26 0,06<br />
36 0,48 0 0,87 0,44 86 0,90 1 0,24 0,06<br />
37 0,48 0 0,87 0,43 87 0,92 1 0,22 0,06<br />
38 0,50 1 0,85 0,43 88 0,93 1 0,20 0,06<br />
39 0,51 0 0,85 0,41 89 0,93 0 0,20 0,04<br />
40 0,52 1 0,83 0,41 90 0,93 0 0,20 0,02<br />
41 0,53 1 0,80 0,41 91 0,94 1 0,17 0,02<br />
42 0,56 0 0,80 0,39 92 0,94 1 0,15 0,02<br />
43 0,56 0 0,80 0,37 93 0,94 1 0,13 0,02<br />
44 0,56 0 0,80 0,35 94 0,95 1 0,11 0,02<br />
45 0,58 1 0,78 0,35 95 0,96 1 0,09 0,02<br />
46 0,59 1 0,76 0,35 96 0,97 1 0,07 0,02<br />
47 0,60 0 0,76 0,33 97 0,97 0 0,07 0,00<br />
48 0,60 1 0,74 0,33 98 0,97 1 0,04 0,00<br />
49 0,62 1 0,72 0,33 99 0,99 1 0,02 0,00<br />
50 0,62 0 0,72 0,31 100 0,99 1 0,00 0,00
Fig. 12. Det konstruerte eksempeldatasettet: sammenheng mellom RPPP (modellert relativ predikert<br />
sannsynlighet for tilstedeværelse) gitt av en romlige prediksjonsmodell <strong>og</strong> reell sannsynlighet for at det<br />
modellerte naturfenomenet ikke er til stede (TPA; blå linje) <strong>og</strong> at det er til stede (TPP; rød kurve). TPA<br />
<strong>og</strong> TPP er beregnet for hvert av 10 intervaller langs RPPP på grunnlag av de 100 observasjonene i<br />
evalueringsdatasettet i Tabell 4. Områder i figuren som svarer til falske negativer <strong>og</strong> falske positiver gitt en<br />
terskelverdi k = 0,40 er markert med henholdsvis lys rød <strong>og</strong> lys blå farge. En confusion matrix som svarer til<br />
denne terskelverdien er gitt i Tabell 5.<br />
av RPPPverdier.<br />
ROC-kurven (the receiver operating characteristic curve) er ei brutt linje som trekkes mellom punktene<br />
i et todimensjonalt diagram. Hvert punkt representerer samsvarende verdier for andel falske positiver (1<br />
– spesifisitet, på x-aksen) <strong>og</strong> andel ekte positiver (sensitivitet; på y-aksen) for en terskelverdi, k. Antallet<br />
terskelverdier m er ikke viktig, bare m er høy nok til at kurven får et glatt forløp. Ett punkt på ROC-kurven<br />
for hvert 0,01intervall fra k = 0 til k = 1 (m = 101) er vanligvis tilstrekkelig. ROC-kurven starter oppe i det<br />
høyre hjørnet i diagrammet (for terskelverdien k = 0, som svarer til predikert tilstedeværelse i alle gridceller<br />
i evalueringsdatasettet). For terskelverdien k = 0 blir alle fraværsobservasjoner feilaktig predikert som<br />
Tabell 5. Det konstruerte eksempeldatasettet: 2 × 2 krysstabell (confusion matrix) for sammenheng<br />
mellom observert <strong>og</strong> predikert tilstedeværelse <strong>og</strong> fravær på grunnlag av den romlige prediksjonsmodellen,<br />
gitt terskelverdien k = 0,40. Hver av de fire cellene i krysstabellen inneholder antallet observasjoner i<br />
evalueringsdatasettet som svarer til den angitte kombinasjonen av predikert <strong>og</strong> observert tilstedeværelse/<br />
fravær. Tallene i tabellen svarer til en andel falske negativer på 0,11 (5/46) <strong>og</strong> en andel falske positiver på<br />
0,57 (31/54). Spesifisiteten (andelen ekte positiver) er 0,89 (41/46).<br />
Predikert (basert på<br />
modell; RPPP)<br />
Observert (basert på evalueringsdata; OP)<br />
Til stede Fraværende<br />
Til stede a = 41 b = 31<br />
Fraværende c = 5 d = 23<br />
57
Fig. 13. ROC-kurve for det konstruerte eksempeldatasettet (se Tabell 4) vist som grå, heltrukken linje<br />
gjennom punkter for terskelverdier angitt med røde tall (tallene angir 100∙k, det vil si at tallet 40 svarer til<br />
k = 0,40 for hvilket krysstabellen er gitt i Tabell 5). Rød heltrukken linje viser ROC-kurven for en modell uten<br />
prediksjonsevne (AUC = 0,5), rød stiplet linje viser ROC-kurven for en modell med perfekt prediksjonsevne<br />
(AUC = 1,0). Den grå stiplete linja markerer balansepunktet mellom sensitivitet <strong>og</strong> spesifisitet; punktet der<br />
denne linja skjærer ROC-kurven (k = 0,64, markert med blå ring) svarer til minimum difference threshold<br />
(MDT). Punktet k = 0,51, markert med grønn ring, svarer til maximised sum threshold (MST), som er markert<br />
med grønn ring. AUC for denne modellen er 0,781.<br />
tilstedeværelse (andel falske positiver = 1) <strong>og</strong> alle tilstedeværelsesobservasjoner blir korrekt predikert<br />
som tilstedeværelse (andel ekte positiver = 1). Når kverdien gradvis heves, avtar andelen falske positiver.<br />
Modellen er optimal når det finnes en kverdi, RPPP t , som splitter observasjonene i evalueringsdatasettet<br />
i to grupper slik at RPPP > RPPP t svarer til tilstedeværelsesobservasjoner <strong>og</strong> RPPP < RPPP t svarer<br />
til fraværsobservasjoner. For en slik modell løper ROC-kurven parallelt med x-aksen fra punktet (1,1) i<br />
øvre høyre hjørne til punktet (0,1) i øvre venstre hjørne (dette punktet svarer til terskelverdien RPPP t ) <strong>og</strong><br />
videre parallelt med yaksen til punktet (0,0) i nedre venstre hjørne ettersom andelen korrekt predikerte<br />
tilstedeværelsesobservasjoner avtar når kverdien øker.<br />
Jo dårligere prediksjonsevne en prediksjonsmodell har, desto nærmere diagonalen y = x i diagrammet<br />
58
ligger ROC-kurven. En ROC-kurve som følger diagonalen gir ingen hjelp til å predikere tilstedeværelse av<br />
det modellerte naturfenomenet. Arealet under ROC-kurva, AUC (area under curve; Hanley & McNeil 1982,<br />
Fielding & Bell 1997), blir benyttet som en standardindikator på hvor god en prediksjonsmodell er. AUCverdien<br />
er egentlig et estimat for sannsynligheten for at en modell vil tilordne en høyere RPPPverdi til en<br />
tilfeldig valgt tilstedeværelsesobservasjon enn til en tilfeldig valgt fraværsobservasjon (Pearce & Ferrier<br />
2000). Prediksjonsmodeller karakteriseres ofte som meget gode når AUC-verdien er mellom 0,9 <strong>og</strong> 1,0, som<br />
gode når AUC er mellom 0,8 <strong>og</strong> 0,9, som akseptable når AUC er mellom 0,7 <strong>og</strong> 0,8 <strong>og</strong> som dårlige når som<br />
AUC er lavere enn 0,7 (f.eks. Araújo & Guisan 2006).<br />
Liksom andre mulige indikatorer på hvor god en modell er, er ikke AUC hevet over enhver kritikk (Lobo et<br />
al. 2008). Likevel er det enighet om at AUC er en god generell indikator på utbredelsesmodellers evne til å<br />
predikere tilstedeværelse <strong>og</strong> fravær (se f.eks. Elith et al. 2006, Wisz et al. 2008, Franklin 2009).<br />
Jeg vil bruke et enkelt, konstruert eksempel til å demonstrere hvordan ROC-kurven lages <strong>og</strong> hvordan<br />
AUC beregnes. La oss tenke oss at vi har en romlig prediksjonsmodell som til enhver gridrute j i<br />
undersøkelsesområdet tilordner enn modellert relativ predikert sannsynlighet for tilstedeværelse RPPP j<br />
mellom 0 <strong>og</strong> 1. Et uavhengig evalueringsdatasett bestående av 100 observasjoner av virkelig tilstedeværelse<br />
eller fravær er samlet inn slik at variasjonen i RPPPverdier er rimelig godt dekket (Tabell 4). For hver verdi<br />
k av RPPP, k = 0, 0,01, 0,02 ... 1, lager vi en confusion matrix <strong>og</strong> beregner spesifisiteten <strong>og</strong> andelen falske<br />
positiver. Fig. 12 <strong>og</strong> Tabell 5 illustrerer dette for terskelverdien k = 0,40. Hver confusion matrix gir opphav<br />
til ett punkt på ROC-kurven (fordi ikke alle intervallene inneholder observasjoner faller noen av punktene<br />
sammen) som er vist i Fig. 13. Arealet under kurven (AUC) beregnes ved å summere arealet av alle de 100<br />
søylene som svarer til RPPP-intervallene fra 0,01∙k til 0,01∙(k + 1). I eksemplet er AUC = 0,781, som svarer<br />
til en akseptabel modell etter kriteriene angitt over.<br />
Det knytter seg særlig interesse til to punkter på ROC-kurven (Jiménez-Valverde & Lobo 2007):<br />
• MDT ( minimised difference threshold); kverdien som gjør at tallverdiforskjellen mellom sensitivitet <strong>og</strong><br />
spesifisitet er minst mulig; <strong>og</strong><br />
• MST ( maximised sum threshold); k-verdien som gjør at summen av sensitivitet <strong>og</strong> spesifisitet blir størst<br />
mulig<br />
MDT er terskelverdien som gir best mulig balanse mellom de to typene av feil (commission error <strong>og</strong> omission<br />
error), <strong>og</strong> MST er terskelverdien som gjør at den totale andelen feilklassifiseringer [definert som<br />
] blir så lav som overhodet mulig. Begge disse terskelverdiene er angitt i Fig. 13.<br />
I tillegg til å beregne AUC kan evalueringsdatasettet brukes til å ’oversette’ RPPPverdiene for hver<br />
gridcelle til en skala for reell sannsynlighet for tilstedeværelse (TPP; true probability of presence). Dette<br />
gjøres ved bruk av l<strong>og</strong>istisk regresjonsanalyse etter ei prosedyre beskrevet av Pearce & Ferrier (2000); se<br />
kapittel III, IV <strong>og</strong> VI for eksempler. Den l<strong>og</strong>istiske regresjonsmodellen gir et estimat for TPP som funksjon av<br />
RPPP. Estimater for standardfeilen til koeffisientene i modellen kan brukes til å beregne konfidensintervall<br />
for TPPestimatet. Når den l<strong>og</strong>istiske regresjonsmodellen er god, det vil si at sammenhengen mellom<br />
TPP <strong>og</strong> RPPP er god, kan regresjonsmodellen brukes til å estimere TPP for hver eneste gridcelle i<br />
undersøkelsesområdet. Summen av estimert TPP for alle gridceller gir et estimat for antall gridceller det<br />
modellerte naturfenomenet virkelig er til stede i. Deler vi denne summen på de totale antallet gridruter i<br />
undersøkelsesområdet får vi et estimat for naturfenomenets prevalens.<br />
59
5 Naturovervåking – metoder <strong>og</strong> innspill til et<br />
helhetlig pr<strong>og</strong>ram<br />
5.1 Overblikk: naturovervåking i internasjonalt <strong>og</strong> nasjonalt perspektiv<br />
Som internasjonalt forskningsfelt hører naturovervåking til bevaringsbiol<strong>og</strong>ien (Nichols & Williams 2006),<br />
som er én blant mange greiner innenfor anvendt økol<strong>og</strong>isk forskning. God naturovervåking må være trygt<br />
forankret i grunnleggende økol<strong>og</strong>isk kunnskap; om naturvariasjonen (se kapittel 3 for et overblikk) <strong>og</strong> om<br />
metoder for å analysere naturvariasjon (noen av disse metodene er beskrevet i kapittel 4). Yoccoz et al.<br />
(2001) framholder at et godt naturovervåkingsopplegg bygger på at følgende tre basale spørsmål er besvart:<br />
(1) Hvorfor overvåke? (2) Hva skal overvåkes? (3) Hvordan skal overvåkingen gjennomføres?<br />
Det finnes utallige grunner for å overvåke natur, <strong>og</strong> dermed <strong>og</strong>så mange svar på spørsmålet ’hvorfor<br />
overvåke’ (se f. eks. Hicks & Brydges 1994, Olsen et al. 1999, Yoccoz et al. 2001, Lovett et al. 2007,<br />
Lindenmayer & Likens 2009, 2010a). Dette har sammenheng med det store mangfoldet av trusler mot<br />
naturmangfoldet, lokalt <strong>og</strong> regionalt (Sutherland et al. 2009, Kålås et al. 2010b), som i sin tur skyldes<br />
naturens enorme kompleksitet, i miljøvariasjon (klimatisk varisjon på regional romlig skala <strong>og</strong> edafisk<br />
variasjon på lokal romlig skala), artssammensetning <strong>og</strong> interaksjoner mellom ulike deler av økosystemene,<br />
levende <strong>og</strong> ikkelevende (Halvorsen et al. 2009). Mangfoldet i menneskenes utnyttelse av <strong>og</strong> påvirkning på<br />
naturgrunnlaget er en viktig kompliserende faktor, <strong>og</strong> <strong>og</strong>så er en viktig del av trusselbildet naturmangfoldet<br />
står overfor (Norderhaug et al. 1999, Emanuelsson 2009). Grunner for å overvåke natur kan grupperes på<br />
flere måter. For eksempel skiller Yoccoz et al. (2001) mellom vitenskapelige grunner (scientific objectives),<br />
det vil si overvåking med hovedformål å forstå dynamikken i økosystemet som blir overvåket som sådan,<br />
<strong>og</strong> forvaltningsmessige grunner (management objectives), det vil si overvåking med hovedformål å<br />
identifisere økosystemets tilstand <strong>og</strong> forstå hvordan systemet responderer på ulike tiltak, for eksempel<br />
ulike former for skjøtsel. Framstad & Kålås (2001) skiller, mer pragmatisk, mellom behov for nøkkeltall<br />
for å evaluere måloppnåelse i forhold til nasjonale resultatmål <strong>og</strong> i forhold til internasjonale forpliktelser<br />
(konvensjoner <strong>og</strong> andre avtaler). Grunner som er framført for å overvåke norsk natur er uttømmende drøftet<br />
i bakgrunnsdokumentene for arbeidet med et nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk<br />
mangfold (se kapittel 1) samt, blant annet, i framlegget til endringer i ’Pr<strong>og</strong>ram for terrestrisk naturovervåking<br />
(TOV)’ (TOV 2000; Framstad & Kålås 2001), i framlegget til samordning av intensiv overvåking i sk<strong>og</strong> (R.<br />
Økland et al. 2004) <strong>og</strong> i rapporter fra arbeidet med utvikling av en norsk naturindeks (Nybø et al. 2008,<br />
Anonym 2010). Spørsmålet ’hvorfor overvåke’ er i stor grad et miljøpolitisk spørsmål fordi naturovervåking<br />
legitimeres av myndighetenes behov for et kunnskapsbasert beslutningsgrunnlag <strong>og</strong> fordi overvåkingen<br />
hovedsakelig har offentlig finansiering (Lawton 1997). For Norges del er St.meld. nr. 42 (2000–01)<br />
’Biol<strong>og</strong>isk mangfold. Sektoransvar <strong>og</strong> samordning’ (Anonym 2001) det sentrale dokumentet som legitimerer<br />
naturovervåking.<br />
Som det vil framgå av de kommende kapitlene, er det en sterk sammenheng mellom ulike kategorier av<br />
kunnskapsmangler som legitimerer kartlegging <strong>og</strong> overvåking (faller delvis inn under spørsmålet ’hvorfor<br />
overvåke’), hva som bør overvåkes (valg av indikatorer <strong>og</strong> indikatorvariabler) <strong>og</strong> hvordan overvåkingen<br />
bør gjennomføres. Av hensiktsmessighetsgrunner er derfor kunnskapsbehovene som skal fylles gjennom<br />
kartlegging <strong>og</strong> overvåking samlet i fem grupper:<br />
• behov for stedfestet naturinformasjon (nøyaktige opplysninger om naturtypefigurer <strong>og</strong> artsforekomster);<br />
kunnskapsgrunnlag for praktisk arealforvaltning (arealplanlegging, håndhevelse av lover <strong>og</strong> forskrifter,<br />
etc.)<br />
• behov for kvalitetssikret kunnskap om status <strong>og</strong>/eller endringer over tid for viktige<br />
60<br />
naturmangfoldindikatorer (med kvalitetssikret menes at usikkerheten i alle estimater er kjent eller<br />
beregnet); kunnskapsgrunnlag for rødlistevurdering, beregning av aggregerte mål på naturtilstand<br />
(f.eks. Naturindeks) <strong>og</strong> beslutningsgrunnlag for forvaltningstiltak (f.eks. vedtak om ansvarsnaturtyper<br />
<strong>og</strong> arter, vedtak om iverksettelse av handlingsplanarbeid for naturtyper <strong>og</strong> arter, utvelgelse av<br />
naturtyper <strong>og</strong> prioritering av arter med hjemmel i Naturmangfoldloven); naturtyper <strong>og</strong> arter der slik<br />
kunnskap etterspørres betegnes naturfenomener (naturtyper <strong>og</strong> arter) som det knytter seg spesiell<br />
forvaltningsinteresse til<br />
• behov for dyp innsikt i komplekse økosystemers struktur, funksjon <strong>og</strong> dynamikk,<br />
inkludert<br />
tidlige indikasjoner på endringer i disse systemene <strong>og</strong> detaljert kunnskap om endringsforløp for<br />
artssammensetning, miljøforhold <strong>og</strong> viktige økosystemprosesser; dokumentasjon <strong>og</strong> kunnskapsgrunnlag
for iverksettelse av mottiltak<br />
• behov for uttesting av spesifikke forvaltningstiltak,<br />
f.eks. ulike skjøtsels eller restaureringsregimer<br />
• evaluering av måloppnåelse,<br />
f.eks. bevaringsmåloppnåelse i verneområder, sektorvise miljømål<br />
(fremmedartsinnslag langs vegkanter, kjørespor i forsvarets skytefelt) etc.<br />
Svaret på spørsmålet ’hva skal overvåkes’ følger i noen grad automatisk av svaret på spørsmålet<br />
’hvorfor overvåke’. Overvåking som eksempelvis har som formål å skaffe beslutningsgrunnlag for<br />
forvaltning av den norske fjellrevbestanden må naturligvis innbefatte løpende oppdatering av utvikingen i<br />
fjellrevbestandene (yngling, dødelighet etc.). For en rekke formål kan det imidlertid finnes mange alternative<br />
indikatorer, direkte indikatorer <strong>og</strong> indirekte indikatorer [se kapittel 2.1; eutrofieringstilstanden i ferskvann<br />
kan for eksempel overvåkes ved bruk av vannkjemiske egenskaper eller ved å følge populasjoner av<br />
krepsdyr eller vannplantearter eller hele artssammensetningen av disse eller andre artsgrupper; se<br />
Skjelkvåle et al. (2007)]. Valg mellom alternative indikatorer (<strong>og</strong> valg av indikatorvariabler som best<br />
representerer tilstand <strong>og</strong> utvikling for de valgte indikatorene) må derfor baseres på grundig vurdering for<br />
hvert enkelt overvåkingsformål. Denne rapporten inneholder en oversikt over kategorier av indikatorer <strong>og</strong><br />
indikatorvariabler med definisjoner (kapittel 2.1 <strong>og</strong> 2.6), men valg blant disse vil bare bli berørt i den grad det<br />
finnes sammenhenger mellom overvåkingsmetode (spørsmål 3 om hvordan overvåking bør gjennomføres)<br />
<strong>og</strong> kategorier av indikatorer som de ulike overvåkingsmetodene egner seg for. Spørsmål 3, om hvordan<br />
naturovervåking best kan gjennomføres, er denne rapportens hovedfokus.<br />
Naturovervåking er, av grunner som er antydet overfor, både en mangfoldig <strong>og</strong> en svært komplisert<br />
oppgave. Derfor har svært mange ulike tilnærmingsmåter til naturovervåking blitt prøvd ut <strong>og</strong> det er ikke<br />
til å undres over at det blant alle overvåkingspr<strong>og</strong>rammer som har blitt iverksatt i ulike deler av verden<br />
finnes såvel vellykkete som mindre vellykkete (Lindenmayer & Likens 2010a). Det er heller ikke til å undres<br />
over at det lenge har fantes (se Olsen et al. 1999, Yoccoz et al. 2001, RussellSmith et al. 2003, Nichols<br />
& Williams 2006, Lovett et al. 2007) <strong>og</strong> fortsatt vil finnes svært divergerende oppfatninger om hvilke<br />
overvåkingspr<strong>og</strong>rammer som har vært vellykkete <strong>og</strong> hvilke som har vært mindre vellykkete <strong>og</strong>, mer generelt,<br />
om hvilke naturovervåkingsmetoder som er gode <strong>og</strong> hvilke som er mindre gode. Dette kommer klart til<br />
uttrykk i den opphetete diskusjonen mellom forskere som argumenterer for en mer ’bredt anlagt’ overvåking<br />
<strong>og</strong> forskere som argumenterer for mer ’fokusert’ overvåking (jf. Lindenmayer & Likens 2009, 2010a, 2010b).<br />
Den uavklarte diskusjonen om hva som kjennetegner god naturovervåking viser at ulike paradigmer<br />
eksisterer side ved side innenfor naturovervåkingsfeltet, <strong>og</strong> indikerer sterke tendenser til skoledannelse.<br />
’Skolene’ opererer med ulike grunn<strong>begreper</strong>, baserer sine oppfatninger på ulike sett av aksepterte fakta<br />
<strong>og</strong> adresserer ulike spørsmål (jf. Austin 2007). Den internasjonale litteraturen gir inntrykk av at det i dag<br />
finnes to hovedparadigmer innenfor naturovervåking. Nichols & Williams (2006) karakteriserer disse<br />
ved begrepene (omnibus) surveillance monitoring <strong>og</strong> targeted (focused) monitoring. Disse begrepene<br />
beskriver overvåkingens formål; ifølge Nichols & Williams (2006) er surveillance monitoring ’monitoring<br />
that is not guided by a priori hypotheses and their corresponding models’, mens targeted monitoring er<br />
’defined by its integration into conservation practice, with monitoring design and implementation based<br />
on a priori hypotheses and associated models of system responses to management.’ Lindenmayer &<br />
Likens (2010a) bruker henholdsvis begrepene passive monitoring (om ’ monitoring pr<strong>og</strong>rams … [that] lack<br />
management interventions or treatments in their experimental or survey design’) <strong>og</strong> active monitoring.<br />
Tendensen til skoledannelse illustreres av at Lindenmayer & Likens (2009) presenterer sine kriterier for<br />
god naturovervåking (med klar referanse til targeted monitoring i Nichols & Williams’ terminol<strong>og</strong>i) som en<br />
paradigme (adaptive monitoring paradigm).<br />
Nichols & Williams’ <strong>og</strong> Lindenmayer & Likens’ <strong>begreper</strong> <strong>og</strong> definisjonene av dem beskriver ikke bare<br />
to ulike måter å tilnærme seg overvåking av natur, de gir <strong>og</strong>så klart uttrykk for forfatternes syn på disse<br />
tilnærmingsmåtene. Boutin et al. (2009) avviser derfor begrepet surveillance monitoring som misvisende fordi<br />
<strong>og</strong>så bredt anlagt naturovervåking kan ha et klart fokus <strong>og</strong> gjøre bruk av utvalgsmetoder som legger til rette<br />
for analyse med de beste tilgjengelige statistiske metodene. Boutin et al. (2009) bruker i stedet begrepsparet<br />
stress-oriented monitoring (om surveillance monitoring) <strong>og</strong> cumulative-effects monitoring (om targeted<br />
monitoring). Som hovedkjennetegn på førstnevnte framhever Boutin et al. (2009) at det først <strong>og</strong> fremst er<br />
sammenhenger mellom enkelte påvirkningsfaktorer (stressors) eller forvaltningstiltak <strong>og</strong> enkelte økol<strong>og</strong>iske<br />
prosesser <strong>og</strong> indikatorer som blir adressert, mens cumulative-effects monitoring er ’targeted at detecting<br />
the ecol<strong>og</strong>ical effects of a diverse set of environmental stresses on broad suites of indicators’. I stedet for å<br />
fokusere på spesifikke årsak-virkningssammenhenger, adresserer cumulative-effects monitoring korrelative<br />
sammenhenger mellom mange påvirkningsfaktorer som virker på et system ved at mange indikatorer<br />
overvåkes parallelt på de samme observasjonsstedene <strong>og</strong>/eller i de samme observasjonsområdene.<br />
Begrepet surveillance monitoring har blitt oversatt til norsk som ’bredt anlagt overvåking’ (Stokland<br />
et al. 2008), ’overvåking av generell naturtilstand’ (Framstad & Kålås 2001) <strong>og</strong> ’basisovervåking’<br />
61
(Oppfølgingspr<strong>og</strong>rammet for Vannrammedirektivet, upublisert informasjon). I DNs forvaltningshåndbok<br />
(Anonym 2008) oversettes ikke surveillance monitoring med ett enkelt begrep, men denne tilnærmingsmåten<br />
til overvåking beskrives som ’overvåking for å produsere en tidsserie av observasjoner om et fenomen’.<br />
Begrepet targeted monitoring er oversatt til norsk som ’fokusert overvåking’ (Stokland et al. 2008), ’studier<br />
av effekter av ulike påvirkningsfaktorer (effektstudier)’ (Framstad & Kålås 2001), ’tiltaksovervåking’<br />
(Oppfølgingspr<strong>og</strong>rammet for Vannrammedirektivet, upublisert informasjon) <strong>og</strong> ’målstyrt overvåking’ [DNs<br />
forvaltningshåndbok (Anonym 2008) <strong>og</strong> ’Oppfølging av verneområder – bevaringsmål <strong>og</strong> overvåking’<br />
(B.Ø. Solberg et al., upubl. notat)]. I den foreliggende rapporten brukes følgende to <strong>begreper</strong> om<br />
hovedtilnærmingsmåter til naturovervåking:<br />
• basisovervåking;<br />
systematisk, gjentatt registrering av indikatorvariabler for å dokumentere eventuelle<br />
endringer over tid <strong>og</strong> for å formulere hypoteser om mulige årsaker til disse endringene<br />
• effektstudier,<br />
overvåking med mål om å etterprøve effekter av en spesifikk påvirkningsfaktor, om<br />
62<br />
spesifikke bevaringsmål er nådd, eller for å evaluere om iverksatte forvaltningstiltak fungerer etter<br />
hensikten<br />
Basisovervåking (<strong>og</strong> basiskartlegging) fyller behov for stedfestet naturinformasjon <strong>og</strong> for kvalitetssikret<br />
kunnskap om status <strong>og</strong>/eller endringer i naturen (jf. grupper av kunnskapsbehov, se over). Effektstudier fyller<br />
først <strong>og</strong> fremst behov for uttesting av spesifikke forvaltningstiltak. Både basisovervåking <strong>og</strong> effektstudier kan,<br />
på ulike måter, bidra til dyp innsikt i komplekse økosystemers struktur, funksjon <strong>og</strong> dynamikk <strong>og</strong> ha relevans<br />
for evaluering av måloppnåelse, <strong>og</strong> kan i mange tilfeller utfylle hverandre.<br />
Arealrepresentativ overvåking i nettverk med et stort antall systematisk eller tilfeldig plasserte<br />
observasjonsområder innenfor et større totalområde er et typisk eksempel på basisovervåking, i Norge<br />
eksemplifisert ved Landssk<strong>og</strong>takseringen [http://www.sk<strong>og</strong><strong>og</strong>landskap.no/emneord/landssk<strong>og</strong>staksering; se<br />
Halvorsen (2008: Boks 2)¸ se <strong>og</strong>så grunnlagsundersøkelse V] <strong>og</strong> 3Q [’Tilstandsovervåking <strong>og</strong> resultatkontroll<br />
i jordbrukets kulturlandskap ved hjelp av utvalgskartlegging’; http://www.sk<strong>og</strong><strong>og</strong>landskap.no/emneord/<br />
overvaking_av_jordbrukslandskap_3q; se Dramstad et al. (2002), Fjellstad et al. (2007) <strong>og</strong> Halvorsen<br />
(2008: Boks 3)]. Innenfor basisovervåking finnes et spenn fra arealrepresentative nettverk med mange<br />
observasjonsenheter til nettverk av færre, ofte subjektivt utvalgte observasjonsenheter der et stort antall<br />
indikatorvariabler (både arter <strong>og</strong> miljøfaktorer) blir registrert ved en kombinasjon av feltregistreringer,<br />
flybildetolkning <strong>og</strong>/eller bruk av satelittdata. Slike basisovervåkingspr<strong>og</strong>rammer blir i den internasjonale<br />
litteraturen ofte referert til som ’long-term ecol<strong>og</strong>ical research and monitoring (LTER) systems’ (f.eks.<br />
Burke & Lauenroth 1993). Det norske TOVpr<strong>og</strong>rammet (Pr<strong>og</strong>ram for terrestrisk naturovervåking;<br />
Framstad & Kålås 2001, Framstad 2010a) er ett eksempel. Overvåkingspr<strong>og</strong>rammer som NILS (Nationell<br />
Inventering av andskapet i Sverige; http://nils.slu.se) i Sverige <strong>og</strong> det canadiske ABMIpr<strong>og</strong>rammet<br />
(Alberta Biodiversity Monitoring Institute; http://www.abmi.ca) er basert på arealrepresentative utvalg,<br />
omfatter mange observasjonsenheter <strong>og</strong> innebærer registrering av mange indikatorvariabler. Alle disse<br />
overvåkingsundersøkelsene har fokus på økosystemeffekter (Boutin et al. 2009, Haughland et al. 2010)<br />
<strong>og</strong> er basert på utvalgsmetoder som er spesielt tilrettelagt for å kunne aggregere informasjon på ulike<br />
romlige skalaer (Burke & Lauenroth 1993, Boutin et al. 2009). Kostnadstak setter imidlertid grenser for hvor<br />
mange indikatorvariabler som kan registreres, antall observasjonssteder som kan besøkes <strong>og</strong> hyppigheten<br />
på gjenanalyser (omdrev). Basisovervåking med et særlig sterkt økosystemperspektiv, der flest mulig<br />
økosystemkomponenter (gjerne inkludert hydrol<strong>og</strong>i, jord <strong>og</strong>/eller vannkjemi, vegetasjon <strong>og</strong> bi<strong>og</strong>eokjemisk<br />
kretsløp) blir undersøkt i stor detalj i færre, ofte subjektivt utvalgte observasjonsområder, blir ofte referert til<br />
som integrert overvåking (Munn 1988, Hicks & Brydges 1994). Integrert overvåking gir mulighet for dyp<br />
innsikt i kompliserte økol<strong>og</strong>iske prosesser, men på bekostning av muligheten til å generalisere resultater til et<br />
større definisjonsområde.<br />
Det finnes utallige eksempler på effektstudier. Gode norske eksempler er serien av undersøkelser av<br />
sur nedbørs virkning på trær <strong>og</strong> jord i sk<strong>og</strong> på Sørlandet på 1970 <strong>og</strong> 1980tallet (se Abrahamsen et al.<br />
1994) <strong>og</strong> RAINprosjektet i Froland (AustAgder), der først økosystemeffekter av forsuring ble studert i et<br />
makrokosmoseksperiment (Wright 1987) <strong>og</strong> deretter det samme eksperimentelle oppsettet ble brukt til å<br />
studere om forsuringseffektene lot seg reversere (Wright et al. 1993). Langtidsstudiene med eksperimentell<br />
skjøtsel på slåttemyr på Sølendet (Røros, SørTrøndelag) som er utført av Asbjørn Moen <strong>og</strong> medarbeidere<br />
gjennom mer enn 30 år (Øien & Moen 2006) har ikke bare bidratt med dyp innsikt i dette kulturpåvirkete<br />
økosystemets struktur, funksjon <strong>og</strong> dynamikk, men fyller <strong>og</strong>så behov for uttesting av forvaltningstiltak som for<br />
eksempel hvor ofte myrene bør slås.<br />
Basisovervåking <strong>og</strong> effektstudier skiller seg ikke bare med hensyn til hensikten med undersøkelsen<br />
<strong>og</strong> hvilke kunnskapsbehov de skal bidra til å fylle, men de to begrepene reflekterer <strong>og</strong>så grunnleggende<br />
forskjellige vitenskapelige tilnærminger, som gir seg utslag i valg av problemstillinger, utvalgsmetoder <strong>og</strong>
analysemetoder. Basisovervåking assosieres ofte med en mer eller mindre generell <strong>og</strong> uspesifikk intensjon<br />
om å beskrive endringer i naturen, mens effektstudier innebærer testing av eksplisitte, forhåndsformulerte<br />
hypoteser (Yoccoz et al. 2001, Nichols & Williams 2006) som for eksempel hvordan naturegenskaper<br />
varierer som funksjon av spesifikke påvirkninger, eller hvor godt egnet bestemte skjøtselstiltak som rydding<br />
<strong>og</strong> slått er for å opprettholde artsmangfoldet på ei kalkrik slåttemyr. Effektstudier er knyttet opp mot et<br />
spesifikt problemområde eller en spesifikk forvaltningsutfordring, gjerne som ledd i målstyrt forvaltning<br />
(adaptive management; Nichols & Williams 2006), det vil si forvaltningsstrategier der beslutninger om<br />
forvaltningstiltak gjøres på grunnlag av resultater av statistisk testing av alternative forvaltningsregimer (som<br />
oppfattes som behandlinger i et økol<strong>og</strong>isk eksperiment).<br />
Effektstudier er nært koblet til den hypotetiskdeduktive metoden, hvorved vitenskapelig erkjennelse<br />
bygges gradvis fra grunnleggende <strong>prinsipper</strong> (aksiomer) ved aksept eller forkasting (verifisering <strong>og</strong><br />
falsifisering), eller bare ved falsifisering (Popper 1989), av vitenskapelige hypoteser. Sterke talsmenn for<br />
effektstudier [Nichols & Williams (2006), i noen grad <strong>og</strong>så Yoccoz et al. (2001)] framhever at naturovervåking<br />
må ha strong inference (Platt 1964) som målsetting. Med strong inference menes en (statistisk) slutning<br />
på grunnlag av et utvalg som er spesifikt utformet med sikte på testing av forskjeller mellom alternative,<br />
konkurrerende hypoteser. I praksis forutsetter strong inference en eksperimentell tilnærmingsmåte, fordi<br />
det bare er gjennom manipulative eksperimenter at det er mulig å adressere ulike påvirkningsfaktorer<br />
eksplisitt <strong>og</strong> på en fullt ut kontrollert måte (Nichols & Williams 2006). Alle andre tilnærmingsmåter, inkludert<br />
bruk av observasjonsområder som gjennom utmarksnæringsvirksomhet har fått ulik behandling (for<br />
eksempel et utvalg av sk<strong>og</strong>teiger med ulik avvirkningshistorikk som blir brukt til å studere effekter av ulike<br />
h<strong>og</strong>stmetoder; T. Økland et al. 2003), gir svakere grunnlag for statistiske slutninger, blant annet fordi det<br />
ikke er mulig å allokere observasjonsenheter tilfeldig til ulike behandlinger (<strong>og</strong> det dermed er fare for at<br />
observasjonsområder som er behandlet ulikt <strong>og</strong>så skiller seg med hensyn til viktige miljøforhold). ’Naturlige<br />
eksperimenter’ der lange tidsserier av observasjoner brukes til å teste hypoteser gir bare mulighet for<br />
svake slutninger (weak inference) slik Platt (1964) definerer dette begrepet. Dette gjelder uavhengig av<br />
om hypotesene springer ut av dataseriene sjøl eller om de har annet opphav. Yoccoz et al. (2001), se <strong>og</strong>så<br />
Nichols (1991), forklarer dette med at et utviklingsforløp (nesten) alltid gir seg utslag i mange <strong>og</strong> korrelerte<br />
indikatorvariabler slik at et observert endringsmønster er forenlig med mange alternative hypoteser som<br />
dataene ikke gir grunnlag for å skjelne mellom. Weak inference er altså et aspekt av at korrelasjoner ikke<br />
uten videre gir grunnlag for å trekke slutninger om årsakssammenhenger (Shipley 2000).<br />
Basisovervåking er koblet til den induktive metoden hvorved kunnskap akkumuleres gjennom en<br />
totrinnsprosess; først ved å beskrive mønstre på grunnlag av empiriske data, dernest gjennom søking etter<br />
generelle mønstre i sammenliknbare empiriske datasett (R. Økland 2007). Økol<strong>og</strong>isk forkning har lang<br />
tradisjon for bruk av den induktive metoden (Lawton 1996). Særlig har en slik, mer deskriptiv tradisjon stått<br />
sterkt i NordEuropa (Söderqvist 1986). R. Økland (2007) skriver at den viktigste grunnen til at Norge er et<br />
av de land i verden som er best studert med hensyn til variasjon i vegetasjon <strong>og</strong> kunnskap om vegetasjonmiljørelasjoner<br />
er det grunnlaget som ble lagt gjennom store, mon<strong>og</strong>rafiske vegetasjonsstudier omkring<br />
midten av det 20. århundret (f. eks. Nordhagen 1943, Sjörs 1948, Gjærevoll 1956, Dahl 1957, Malmer<br />
1962). Disse arbeidene ble skrevet som høydepunkter i livslange læringsprosesser, ofte etter tiår med nitid<br />
registrering av artssammensetning (inkludert små moser <strong>og</strong> lav) <strong>og</strong> målinger av miljøfaktorer i utallige små<br />
vegetasjonsruter i tråd med de fennoskandiske tradisjonene for plantesosiol<strong>og</strong>isk beskrivelse (Trass &<br />
Malmer 1978, R. Økland 1990). Kunnskapen som denne forskningen frambrakte er <strong>og</strong>så den direkte årsaken<br />
til at det har vært mulig å fylle et økoklinbasert naturtypeinndelingssystem som NiN med konkret innhold<br />
(Halvorsen et al. 2009a).<br />
Hovedkritikken av basisovervåkingstilnærmingen til naturovervåking peker på mangel på fokus, at<br />
overvåkingsmetoden bare gir grunnlag for svake (statistiske) slutninger, <strong>og</strong> at basisovervåking derfor er en<br />
lite kostnadseffektiv form for naturovervåking (Yoccoz et al. 2001, Nichols & Williams 2006, Lindenmayer<br />
& Likens 2009, 2010a, 2010b). Tilsvaret fra forsvarerne av basisovervåking (Lawesson et al. 2000, T.<br />
Økland et al. 2004, Boutin et al. 2009, Haughland et al. 2010) er at slik overvåking faktisk er målrettet,<br />
mot tidlig identifisering av økol<strong>og</strong>iske effekter av et komplisert mangfold av påvirkningsfaktorer gjennom<br />
parallell registrering av mange indikatorer. Betydningen av multi-species monitoring (samtidig registrering<br />
av indikatorvariabler for mange arter som en robust måte å fange opp tidlige tegn på endring) for effektiv<br />
overvåking blir blant annet poengtert av Manley et al. (2004) <strong>og</strong> T. Økland et al. (2004). Det blir <strong>og</strong>så<br />
framholdt (f.eks. Boutin et al. 2009) at det bare er gjennom god basisovervåking at det er mulig å oppdage<br />
kumulative eller samvirkende effekter av flere påvirkningsfaktorer. Russell-Smith et al. (2003) bruker det<br />
australske Munmarlaryeksperimentet som et eksempel på dette. I dette effektstudiet ble to ulike typer<br />
Eucalyptusdominert savanne gjort gjenstand for et kontrollert eksperiment med tre ulike brannregimer hvor<br />
hvert regime ble replikert fire ganger, med sikte på å skaffe kunnskapsgrunnlag for bedre skjøtsel. Til tross<br />
for at eksperimentet varte i over 20 år <strong>og</strong> at det ikke fantes noe å utsette verken på eksperimentoppsett eller<br />
63
gjennomføring, konkluderte RussellSmith et al. (2003) at eksperimentet bare hadde begrenset nytteverdi<br />
for sitt egentlige formål, å gi forvalterne av savanneområdet et bedre kunnskapsgrunnlag for å håndtere<br />
samvirkende effekter av forskjellige, sjeldne <strong>og</strong> uforutsigbare brannregimer.<br />
Kritikken av basisovervåking følger samme mønster som kritikken fra sterke tilhengere av den hypotetiskdeduktive<br />
vitenskapelige metoden, som karakteriserer den induktive metoden som subjektiv <strong>og</strong>/eller<br />
uvitenskapelig (Murray 2000, 2001). Etter hvert som krav om en hypotetiskdeduktiv tilnærmingsmåte (klart<br />
formulerte hypoteser <strong>og</strong>, om mulig, en eksperimentell tilnærmingsmåte) vant terreng på 1980 <strong>og</strong> 1990tallet,<br />
ble det <strong>og</strong>så uttrykt bekymring for tap av mangfold i økol<strong>og</strong>isk forskning (Noss 1996, Weber 1999, R. Økland<br />
2007). I løpet av de siste 10–15 årene har det imidlertid langt på veg funnet sted et nytt paradigmeskifte<br />
innen økol<strong>og</strong>isk forskning, fra strenge krav om eksperimenter <strong>og</strong> hypotesetesting til aksept av, eller<br />
preferanse for, mer eller mindre formaliserte modelleringstilnærmingsmåter til økol<strong>og</strong>iske problemstillinger<br />
(for eksempel Shipley 2000, Hastie et al. 2009, Zuur et al. 2009, Grace et al. 2010). Dette skiftet innebærer<br />
en økende konsensus om at både hypotetiskdeduktive <strong>og</strong> induktive tilnærmingsmåter er viktige veger til økt<br />
innsikt i de utrolig komplekse mønstrene som er resultatet av enda mer komplekse årsaksforhold (Lawton<br />
1996, 1999, R. Økland 2007), ikke minst fordi økol<strong>og</strong>iske sammenhenger ofte er altfor komplekse til å kunne<br />
adresseres ved enkle, testbare hypoteser (Wilson 2003).<br />
Som <strong>og</strong>så påpekt av Noss (1999), har den fennoskandiske deskriptive samfunnsbeskrivende<br />
tradisjonen hatt stor betydning for utviklingen av naturovervåking. Ett eksempel på dette (blant mange)<br />
er satsingen på ’intensiv vegetasjonsovervåking’ i sk<strong>og</strong> (’Det norske konseptet for vegetasjonsøkol<strong>og</strong>isk<br />
intensiv overvåking’; Lawesson et al. 2000, T. Økland et al. 2001), som nå inngår som en integrert del<br />
av TOVpr<strong>og</strong>rammet (Framstad 2010a; se Aarrestad et al. 2009, Halvorsen et al. 2009c, Nordbakken<br />
et al. 2010). Hovedpilaren i ’Det norske konseptet’ er en grundig undersøkelse av relasjoner mellom<br />
artssammensetning <strong>og</strong> miljøforhold i vegetasjonsruter som ved overvåkingsundersøkelsens start blir<br />
permanent merket, en såkalt vegetasjonsøkol<strong>og</strong>isk basisundersøkelse (R. Økland 1996). Det brukes en<br />
gradientbasert utvalgsmetode som legger til rette for statistisk analyse av tidsserien av observasjoner (av<br />
artssammensetning <strong>og</strong> miljøvariabler) som bygges opp gjennom reanalyser i et fast omdrev på 5 år (R.<br />
Økland & Eilertsen 1993, T. Økland 1996, T. Økland et al. 2004, Bakkestuen et al. 2009; se kapittel 4.1 for<br />
metoder). Norsk naturovervåking favner imidlertid et vidt spekter av overvåkingstemaer, <strong>og</strong> mangfoldet av<br />
overvåkingsmetoder er stort. Det finnes en rekke lange tidsserier med høy verdi for overvåking <strong>og</strong> forskning<br />
(se Anonym 2003b). Dels med utgangspunkt i funn i langtidsseriene, dels av andre årsaker, har det i Norge<br />
<strong>og</strong>så blitt lagt ned en betydelig forskningsinnsats for å forstå mekanismene bak observerte endringer (jf.<br />
eksemplene på effektstudier som er nevnt ovenfor). Mangfoldet i norsk naturovervåking er et resultat av<br />
en erkjennelse av at begge leire i kampen om ’den rette’ tilnærmingsmåten til naturovervåking har gode<br />
poenger.<br />
’Alle’ synes å være enige om at et overvåkingspr<strong>og</strong>ram må ha et klart formulert formål <strong>og</strong> at det,<br />
før et overvåkingspr<strong>og</strong>ram blir implementert, må gjøres en grundig vurdering av hvilke indikatorer<br />
<strong>og</strong> indikatorvariabler som er best egnet for å nå dette formålet <strong>og</strong> hvilke metoder (utvalgsmetoder,<br />
registreringsmetoder <strong>og</strong> analysemetoder) som er mest hensiktsmessige (Yoccoz et al. 2001, Lindenmayer<br />
& Likens 2009, Haughland et al. 2010). Likevel er det svært delte meninger om hva dette skal innebære<br />
i praksis. Lindenmayer & Likens (2009) trekker fram det kanadiske ABMIpr<strong>og</strong>rammet som eksempel<br />
på et ufokusert naturovervåkingspr<strong>og</strong>ram, <strong>og</strong> karakteriserer det som ’planned backwards on the collectnow<br />
(data), think-later (of a useful question) principle’. Haughland et al. (2010) svarer med å peke på at<br />
ABMIpr<strong>og</strong>rammet tilfredsstiller Lindenmayer & Likens’ (2009) <strong>prinsipper</strong> for adaptive monitoring (se Fig.<br />
14), men dette imøtegås av Lindenmayer & Likens (2010b). Samtidig framhever imidlertid Lindenmayer<br />
& Likens (2009, 2010b) verdien av høykvalitetsdata fra lange tidsserier for overvåking <strong>og</strong> forskning. Jeg<br />
mener at motsetningene mellom ulike paradigmer innenfor naturovervåking først <strong>og</strong> fremst er resultatet<br />
av gjentatte, sterkt spissformulerte forsvar for hypotetiskdeduktive <strong>og</strong> eksperimentelle tilnærminger til<br />
naturovervåking, slik dette synet kommer til uttrykk i artiklene til Yoccoz et al. (2001) <strong>og</strong> Lindenmayer &<br />
Likens (2009) samt, i en enda mer rendyrket form, hos Nichols & Williams (2006). Eksperimentelle studier<br />
representerer imidlertid bare endepunktet i et kontinuerlig spekter av tilnærmingsmåter til naturovervåking<br />
som spenner fra den hypotetiskdeduktive til den induktive, fra målrettete effektstudier til lange tidsserier av<br />
observasjoner, samlet inn uten klar målsetting eller uten klar referanse til en systemmodell eller spesifikke<br />
påvirkningsfaktorer. Jeg støtter prinsippene for adaptive monitoring, som kan oversettes med tilpasset<br />
overvåking, som et sett av generelle retningslinjer for god naturovervåking (Fig. 14). Min forståelse av dette<br />
prinsippet (som ligger til grunn for arbeidet med denne rapporten) er at overvåkingsaktiviteter bør ha et<br />
klart formål, valget av indikatorer <strong>og</strong> indikatorvariabler må være vel gjennomtenkt, <strong>og</strong> at datainnsamlingen<br />
(utvalgsmetoden <strong>og</strong> registreringsmetoden) må optimaliseres slik at dataene tillater bruk av de mest<br />
følsomme statistiske analysemetodene. Etter min mening har dette prinsippet vært underforstått gjennom<br />
hele arbeidet fram mot en helhetlig nasjonal plan for overvåking av biol<strong>og</strong>isk mangfold i Norge siden midten<br />
64
Fig. 14. Prinsippene for tilpasset overvåking (adaptive monitoring), slik de blir anvendt i denne rapporten som<br />
et sett av generelle retningslinjer for god naturovervåking [endret fra Lindenmayer & Likens (2009)]. Røde<br />
bokser refererer til metodeutvikling <strong>og</strong> metodetilpasning, blå bokser refererer til praktisk gjennomføring av<br />
naturovervåkingen, <strong>og</strong> gule bokser indikerer mulige årsaker til at det kan oppstå behov for revurdering av<br />
overvåkingsmetodikk <strong>og</strong> de hensynene som da må tas.<br />
av 1990tallet. Allerede i den første rapporten (Anonym 1998) ble det framholdt at en slik plan må favne<br />
en rekke ulike overvåkingstemaer <strong>og</strong> at det for hvert overvåkingstema må avgjøres hvilket blant et sett<br />
standardiserte utvalgsmetoder (’overvåkingsstrategier’) som er best egnet, gitt aktuelle indikatorvariablers<br />
fordelingsegenskaper (først <strong>og</strong> fremst deres prevalens). Et faktum som ofte har blitt poengtert er at<br />
indikatorer med lav prevalens ikke kan overvåkes med datainnsamlingsmetoder som gir grunnlag for direkte<br />
arealrepresentative estimater, men at slike indikatorer krever andre eller spesialtilpassete utvalgsmetoder<br />
(Halvorsen 2008; se utfyllende drøfting i kapittel 5.4.4).<br />
Hovedhensikten med NatTOvprosjektet (kapittel 1.3) er å bidra til utvikling av metodikk for overvåking<br />
av ’naturtyper som dekker lite totalareal <strong>og</strong> som forekommer spredt over store deler av landet (<strong>og</strong> som det<br />
derfor ikke er praktisk <strong>og</strong> økonomisk mulig å overvåke ved ekstensiv naturtypeovervåking i et areal(type)<br />
representativt nettverk av overvåkingsflater)’. Jeg har valgt å ta utgangspunkt i en generell oversikt over<br />
datainnsamlingsmetoder som er aktuelle for bruk i kartlegging <strong>og</strong> overvåking av arter <strong>og</strong> naturtyper.<br />
Datainnsamlingsmetodene beskrives i kapittel 5.3 <strong>og</strong> de ulike metodenes egnethet for indikatorer <strong>og</strong><br />
indikatorvariabler med ulike egenskaper, inkludert ulike fordelingsmønstre, drøftes i kapittel 5.4. Kapittel<br />
5.5.2 inneholder et framlegg til metodeplattform for et helhetlig nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong><br />
overvåking av naturmangfold. Ulike aspekter ved implementering av et slik nasjonalt pr<strong>og</strong>ram blir drøftet i<br />
kapitlene 5.5.3–7.<br />
65
I denne rapporten defineres begrepet naturovervåking som systematisk gjentatt kartlegging (kapittel 2.2).<br />
Effektstudier som sådan omfattes ikke av denne overvåkingsdefinisjonen, med mindre de pågår over (svært)<br />
lang tid <strong>og</strong> gir opphav til en lang tidsserie av observasjoner. Overvåkingsrelevant forskning <strong>og</strong> utredning<br />
(FoU), inkludert effektstudier, er imidlertid svært vesentlige elementer i en helhetlig plan for kartlegging <strong>og</strong><br />
overvåking av naturmangfold, uavhengig av varigheten på den enkelte FoUaktiviteten. Effektstudier må<br />
derfor inngå som et viktig element i en helhetlig plan for overvåking av naturmangfold sjøl om slike studier<br />
ikke er definert som naturovervåking som sådan.<br />
Yoccoz et al. (2001) framholder at det finnes to kilder til variasjon i overvåkingsdata; romlig variasjon<br />
<strong>og</strong> variasjon i oppdagbarhet (detectability; Yoccoz et al. 2001; Mackenzie et al. 2005). I denne rapporten<br />
(<strong>og</strong> i NatTOvprosjektet) har vi mer eller mindre fullstendig sett bort fra oppdagbarhetsproblematikken; ikke<br />
fordi den anses for uvesentlig, men fordi temaet for NatTOvprosjektet er naturtyper på et organisasjons<br />
<strong>og</strong> romlig skalanivå der de viktigste indikatorene, naturtypen sjøl <strong>og</strong> planteartene som kjennetegner<br />
den gjennomgående har høy oppdagbarhet. Men <strong>og</strong>så for planter finnes et (om enn vanligvis lite)<br />
oppdagbarhetsproblem, noe som illustreres av resultatene av gjentatte registreringer av karplanter, moser<br />
<strong>og</strong> lav i sk<strong>og</strong>bunnen i boreal barsk<strong>og</strong> (R. Økland 1995a, 1995b). Parallellkartleggingen av naturtyper etter<br />
NiN-systemet (kapittel 2) viser at det i <strong>og</strong>så finnes en oppdagbarhetsutfordring for naturtyper, i hvert fall når<br />
naturtypekartleggingen skjer under sterkt tidspress. For mobile organismer (de fleste dyrearter) <strong>og</strong> for de<br />
fleste sopparter (Bendiksen et al. 2004) er imidlertid oppdagbarhet et svært viktig tema som krever grundig<br />
behandling som ledd i det videre arbeidet med en helhetlig naturovervåkingsplan. Håndtering av kryptisk<br />
biol<strong>og</strong>isk mangfold, det vil si arter som ikke kan oppdages uten ved hjelp av screening med molekylære<br />
metoder, i naturovervåkingssammenheng representerer en kolossal utfordring (Beheregaray & Caccione<br />
2007, Bickford et al. 2007).<br />
5.2 Modell <strong>og</strong> designbaserte statistiske slutninger i naturovervåking<br />
En av de vanligste grunnene for at naturovervåking blir iverksatter, er behovet for å kunne si noe generelt<br />
om de undersøkte indikatorene (innenfor overvåkingsundersøkelsens definisjonsområde). Dette gjøres<br />
ved estimering på grunnlag av utvalg av observasjoner av indikatorvariabler (se kapitlene 2.3 <strong>og</strong> 2.4). Til<br />
alle estimater knytter det seg usikkerhet, i form av systematiske avvik (bias) <strong>og</strong> tilfeldig variasjon (error).<br />
Systematiske avvik skyldes at utvalget av observasjoner ikke er representativt for variasjonen innenfor<br />
definisjonsområdet som helhet. Én viktig årsak til bias er svakheter i utvalgsmetoden, en annen (for en<br />
lang rekke indikatorvariabler en hovedårsak) er oppdagbarhetsfeil [at den betingete sannsynligheten for<br />
å oppdage den aktuelle indikatoren (naturegenskapen) i en gitt observasjonsenhet, gitt at indikatoren<br />
virkelig er til stede, er mindre enn 100%; se Yoccoz et al. (2001) <strong>og</strong> kapittel 5.1]. Også systematiske feil i<br />
dataregistreringsfasen (alle feilkilder knyttet til måling, telling eller registrering av andre indikatorvariabelegenskaper),<br />
som kan sammenfattes i begrepet registreringfeil, kan bidra betydelig til bias (Nilsson & Nilsson<br />
1985, Kennedy & Addison 1987, Klimeš et al. 2001, Scott & Hallam 2003, Archaux et al. 2006, Vittoz &<br />
Guisan 2007).<br />
Oppdagbarhetsfeilene ved overvåking av naturtyper er vanligvis små, men se kapittel 5.1 for drøfting av<br />
kryptisk biol<strong>og</strong>isk mangfold <strong>og</strong> grunnlagsundersøkelse II (parallell naturtypekartlegging etter NiNsystemet)<br />
for drøfting av registreringsfeil ved naturtypekartlegging. Minimering av registreringsfeil er først <strong>og</strong> fremst et<br />
spørsmål om ressurser (tid), nøyaktighet <strong>og</strong> kalibrering av observatører (eventuelt <strong>og</strong>så måleutstyr).<br />
Den største utfordringen ved overvåking av natur, nesten uansett formål, er utforming av en egnet<br />
utvalgsmetode. Yoccoz et al. (2001) framholder effektivitet (efficiency), definert som presisjonen<br />
på estimatene for viktige egenskaper ved en indikatorvariabel, som hovedkriteriet på hvor god en<br />
overvåkingsmetode er. Effektiviteten bestemmes først <strong>og</strong> fremst av egenskaper ved utvalgsmetoden.<br />
Valg mellom ulike utvalgsmetoder er <strong>og</strong>så et valg mellom ulike veger fram til (statistiske) slutninger<br />
(inference). Yoccoz et al. (2001) skiller mellom to ulike måter å oppnå erkjennelse gjennom overvåking:<br />
• Modellbasert slutning (model-based inference); erkjennelse oppnådd på grunnlag av en mer<br />
eller mendre stringent modell (statistisk eller konseptuell) som spesifiserer hvordan verdier for<br />
en indikatorvariabel (for eksempel arealutstrekning eller tilstand for en naturtype, eller mengden<br />
av en art), eller endringen i en indikatorvariabel, varierer som funksjon av andre egenskaper ved<br />
observasjonsenhetene (ge<strong>og</strong>rafisk posisjon, miljøvariabler eller liknende)<br />
• Designbasert slutning (design-based inference); erkjennelse oppnådd ved bruk av kjente egenskaper<br />
66<br />
ved utvalgsmetoden (som for eksempel antakelser om observasjonssannsynlighet <strong>og</strong> stratifisering), men<br />
som ikke er basert på en statistisk modell som springer ut av antakelser om prosesser som påvirker<br />
observasjonsenhetenes egenskaper
Et eksempel på en designbasert slutning er bruken av data fra Landssk<strong>og</strong>takseringen for å anslå<br />
produktiviteten i norske sk<strong>og</strong>er; produktivitetsestimatene kan tolkes som arealrepresentative på grunn av at<br />
observasjonsområdene er systematisk plassert over hele det norske landområdet der det forekommer sk<strong>og</strong>.<br />
Et eksempel på en modellbasert slutning er generaliseringer om endringer i undervegetasjonen i barsk<strong>og</strong><br />
på grunnlag av tester av framgang/tilbakegang for en rekke enkeltarter i hvert av 11 overvåkingsområder<br />
som inngår i TOV (T. Økland et al. 2004). I denne overvåkingsundersøkelsen generaliseres resultatene for<br />
Norge eller en del av Norge på grunnlag av modeller for regional fordeling av langtransporterte forsurende<br />
komponenter i nedbøren <strong>og</strong> på grunnlag av klimamodeller.<br />
5.3 Datainnsamlingsmetoder i naturovervåking: metoder for utvalg <strong>og</strong> plassering av<br />
observasjonsenheter<br />
5.3.1 Oversikt over datainnsamlingsmetoder i naturovervåking<br />
Hver enkelt utvalgsmetode er ofte knyttet opp mot spesifikke registreringsmetoder <strong>og</strong> utgjør sammen<br />
med disse mer eller mindre veldefinerte datainnsamlingsmetoder. Datainnsamlingsmetoder som er<br />
viktige i naturovervåkingssanmmenheng kan samles i fem kategorier, med ’andre metoder’ som en sjette<br />
’samlegruppe’ (se f.eks. Halvorsen 2008):<br />
1. Arealdekkende datainnsamling;<br />
registrering av en indikatorvariabel i hele overvåkingens<br />
definisjonsområde<br />
2. Areal(type)representativ datainnsamling (equal probability sampling; Yoccoz et al. 2001); registrering<br />
av en indikatorvariabel i et utvalg som, ved at hver observasjon representerer en like stor andel av alle<br />
mulige observasjoner, er representativt for undersøkelsens definisjonsområde<br />
3. Sannsynlighetsbasert datainnsamling (unequal probability sampling; Yoccoz et al. 2001); registrering<br />
av en indikatorvariabel i et utvalg som, ved å være basert på kunnskap om sannsynligheten for at<br />
indikatoren er til stede på hvert potensielle observasjonssted, er representativt for undersøkelsens<br />
definisjonsområde<br />
4. Gradientbasert datainnsamling (gradsect sampling; Austin & Heyligers 1989); innsamling av<br />
observasjoner av en indikatorvariabel på observasjonssteder i et nøstet utvalg med to eller flere<br />
nøstingsnivåer, der observasjonsområder <strong>og</strong> observasjonssteder plasseres slik at variasjonen<br />
langs viktige økokliner innenfor overvåkingsundersøkelsens definisjonsområde blir håndtert på en<br />
hensiktsmessig måte<br />
5. Selektiv datainnsamling;<br />
innsamling av observasjoner av en indikatorvariabel på subjektivt utvalgte<br />
observasjonssteder (sentinel sites; Yoccoz et al. 2001)<br />
6. Spesialutvalg;<br />
innsamling av observasjoner av en indikatorvariabel ved bruk av utvalgsmetoder som<br />
ikke faller inn under noen av utvalgsmetodene 1–5 ovenfor<br />
Fig. 15 gir en oversikt over <strong>begreper</strong> som har blitt benyttet for disse datainnsamlingsmetodene i en del<br />
tidligere norske publikasjoner, <strong>og</strong> Tabell 6 gir eksempler på pågående overvåkingsaktiviteter i Norge der<br />
disse metodene er i bruk. De enkelte datainnsamlingsmetodene blir beskrevet i kapitlene 5.3.2–7.<br />
5.3.2 Arealdekkende datainnsamling<br />
Arealdekkende datainnsamling innebærer registrering av en indikatorvariabel i hele overvåkingens<br />
definisjonsområde. Slik ’vegg-til-vegg-overvåking’ skjer først <strong>og</strong> fremst ved bruk av tilrettelagt<br />
fjernmålingsinformasjon, for eksempel fra satelittbaserte sensorer. Et eksempel på arealdekkende<br />
datainnsamling med Norge som definisjonsområde er det nasjonale vegetasjonskartet basert på<br />
satelittdata (Johansen 2009) som, dersom kartleggingen blir gjentatt, vil være begynnelsen på en serie<br />
av arealdekkende overvåkingsdata. Et annet (<strong>og</strong> annerledes) eksempel på nasjonal arealdekkende<br />
datainnsamling er den løpende registreringen av tekniske inngrep som gir grunnlag for overvåking<br />
av inngrepsfrie områder (INON; se http://www.dirnat.no/inon/hva_er_inon/). Et punkt befinner seg i et<br />
inngrepsfritt område dersom det befinner seg minst 1 km fra et ’tyngre teknisk inngrep’.<br />
Store deler av den nasjonale arealstatistikken er basert på arealdekkende kartlegging; et eksempel<br />
er nasjonal statistikk for dyrka mark basert på et oppdatert jordregister. Arealdekkende datainnsamling<br />
gjøres <strong>og</strong>så for mindre områder, for eksempel satelittdatabasert tilstandskartlegging av reinbeite på<br />
Finnmarksvidda (Johansen & Karlsen 2005), <strong>og</strong> nyttes <strong>og</strong>så i områdefokusert overvåking. Totalkartlegging<br />
67
Fig. 15. Sammenlikning mellom <strong>begreper</strong> for datainnsamlingsmetoder i naturovervåking brukt i denne<br />
rapporten <strong>og</strong> <strong>begreper</strong> brukt i andre publikasjoner (*K&O = kartlegging <strong>og</strong> overvåking).<br />
Tabell 6. Pågående overvåkingsaktiviteter i Norge som eksempler på ulike datainnsamlingsmetoder.<br />
Effektstudier er kursivert, øvrige aktiviteter i tabellen er basisovervåkingsaktiviteter (se kapittel 5.1).<br />
Datainnsamlingsmetode Definisjonsområde<br />
Nasjonal<br />
Arealdekkende – INON<br />
– gjentatt nasjonal satelittbasert<br />
vegetasjonskartlegging<br />
Areal(type)representativ – Landssk<strong>og</strong>takseringen (arealtyperepresentativ<br />
overvåking<br />
av sk<strong>og</strong>)<br />
– 3Q (arealtyperepresentativ<br />
overvåking av<br />
jordbruksområder)<br />
68<br />
Områdefokusert<br />
– satelittbasert overvåking av<br />
slitasjeskader i forsvarets øvingsfelt<br />
(eksempler finnes ikke)<br />
Sannsynlighetsbasert (eksempler finnes ikke) (eksempler finnes ikke)<br />
Gradientbasert – vegetasjonsøkol<strong>og</strong>isk<br />
overvåking i TOV<br />
Selektiv – regelmessig oppfølging<br />
av alle kjente forekomster<br />
for arter, f.eks. som ledd i<br />
handlingsplaner<br />
Spesialutvalg – overvåking av hjortevilt <strong>og</strong><br />
rovdyr<br />
(eksempler finnes ikke)<br />
– ’floravokting’ <strong>og</strong> andre opplegg<br />
for regelmessig oppfølging av<br />
lokaliteter for trua arter<br />
– langtidsseriene<br />
av eksperimentelle<br />
vegetasjonsundersøkelser på<br />
Sølendet (Røros, STr)
av artsmangfoldet av en viss organismegruppe (f.eks. karplanter eller fugl) innenfor et avgrenset område,<br />
for eksempel et naturreservat, er arealdekkende datainnsamling. Arealdekkende datainnsamling omgår alle<br />
problemer forbundet med estimering fordi indikatorvariabelene registreres for hele populasjonen av mulige<br />
observasjoner. Registreringene kan imidlertid være beheftet med oppdagbarhets <strong>og</strong> registreringsfeil.<br />
Overvåking av et utvalg av observasjonsenheter fra en kjent totalpopulasjon kan ses på som en<br />
spesialtilpasning av arealdekkende overvåking. Siden totalpopulasjon anses for kjent, vil et slikt utvalg<br />
langt på veg gi grunnlag for like sikre slutninger som slutninger gjort på grunnlag av totalt arealdekkende<br />
overvåking. Spesialtilpasset arealdekkende overvåking kan brukes til overvåking av sjeldne naturtyper<br />
innenfor mindre del-definisjonsområder (f.eks. et verneområde eller et militært øvingsfelt) når<br />
totalpopulasjonen av artsforekomster eller naturtypefigurer i del-definisjonsområdet er kjent, for eksempel<br />
gjennom total naturtypekartlegging. Innsamlingsmetoden er særlig aktuell i tilfeller der totalpopulasjonen er<br />
større enn overvåkingsformålet (eller tilgjengelige ressurser) gjør det aktuelt å overvåke.<br />
5.3.3 Areal(type)representativ datainnsamling<br />
Arealrepresentativ datainnsamling innebærer registrering av en indikatorvariabel i et utvalg som er<br />
representativt for undersøkelsens definisjonsområde (se grunnlagsundersøkelse VI for eksempel på<br />
arealrepresentativ datainnsamling innenfor et lite definisjonsområde). En datainnsamlingsmetode kan<br />
karakteriseres som arealrepresentativ når hver observasjon representerer en like stor andel av alle mulige<br />
observasjoner (populasjonen av potensielle observasjoner). Bruken av arealrepresentativ datainnsamling<br />
i naturovervåking er oftest motivert av et behov for områderepresentativ arealstatistikk (arealregnskap;<br />
Strand & Rekdal 2005) for utvalgte indikatorvariabler (for eksempel informasjon om arealandel,<br />
middelverdi pr. arealenhet, totalantall eller liknende, for arealbaserte indikatorvariabler), men denne<br />
datainnsamlingsmetoden kan i prinsippet brukes brukes til overvåking av de aller fleste indikatorvariabler, for<br />
eksempel mengdeendringer <strong>og</strong> reproduksjonssuksess for vanlige arter. Primært utløses arealrepresentativ<br />
datainnsamling av et sterkt behov for kvalitetssikret kunnskap om status <strong>og</strong>/eller endringer. Kravet om<br />
at observasjonene i utvalget skal være uavhengige er essensielt for testing av statistiske hypoteser.<br />
Dette kravet lar seg imidlertid for mange naturmangfoldegenskaper vanskelig oppfylle helt på grunn av<br />
autokorrelasjon (Palmer 1988, Legendre 1993, Legendre & Legendre 1998) på mange ulike romlige skalaer.<br />
Arealrepresentativ datainnsamling kan deles i to underkategorier, arealrepresentativ datainnsamling<br />
(i snever forstand) <strong>og</strong> arealtyperepresentativ datainnsamling. Arealtyperepresentativ datainnsamling tar<br />
utgangspunkt i et arealrepresentativt utvalg som beskrevet ovenfor, men gjør bare bruk av et underutvalg<br />
av potensielle observasjonssteder som tilfredsstiller eksplisitte tilleggskrav. Det mest relevante tilleggskravet<br />
er tilstedeværelse av en spesifikk naturtype (derav navnet arealtyperepresentativ datainnsamling).<br />
Observasjonsstedene i et arealtyperepresentativt utvalg er altså et underutvalg av et arealrepresentativt<br />
utvalg med hensikt å være representativt for en bestemt arealtype (for eksempel en gitt naturtype) innenfor<br />
et gitt definisjonsområde.<br />
Landssk<strong>og</strong>takseringen (Anonym 2006b, se Halvorsen 2008: Boks 2 for en kort omtale; se <strong>og</strong>så<br />
grunnlagsundersøkelse V) <strong>og</strong> 3Q (Dramstad et al. 2002, Fjellstad et al. 2007; se Halvorsen 2008:<br />
Boks 3 for en kort omtale) er to sentrale overvåkingspr<strong>og</strong>rammer i Norge som begge er basert på<br />
arealtyperepresentativ datainnsamling. Norge mangler imidlertid fortsatt arealrepresentativ utvalgsbasert<br />
kartlegging <strong>og</strong> overvåking, til tross for at behovet for et ’nasjonalt arealregnskap’ har vært påpekt gjentatte<br />
ganger siden 1970årene. Strand & Rekdal (2005) presenterer et framlegg til nasjonal arealrepresentativ<br />
utvalgsbasert kartlegging <strong>og</strong> overvåking, ’Arealregnskap for Norge’, basert på en tilpasning av nettverket<br />
som brukes i den europeiske arealbruksstatistikken Lucas til norske forhold (Strand & Rekdal 2005, Hofsten<br />
et al. 2007; se Halvorsen 2008: Boks 1 for en kort omtale).<br />
Areal(type)representativ datainnsamling foregår vanligvis på observasjonssteder som er plassert i<br />
et rutenett (grid) med fast maskevidde, for eksempel 1 × 1, 3 × 3 (Landssk<strong>og</strong>takseringen <strong>og</strong> 3Q, som<br />
representerer to utvalg fra samme basisrutenett, samplet med ulike maskevidder <strong>og</strong> med ikkeoverlappende<br />
utvalgskriterier), 9 × 9 eller 18 × 18 km (LUCAS-nettet), <strong>og</strong> som dekker hele definisjonsområdet.<br />
Observasjonsstedene kan være et utvalg av hele gridruter (se kapittel 2.5) i dette rutenettet eller de kan<br />
være knyttet til faste punkter i rutenettet, for eksempel observasjonsarealer med fast størrelse, plassert med<br />
midtpunkt (eller et fast hjørne) i skjæringspunkter (eller et standardisert underutvalg av skjæringspunkter)<br />
mellom vertikale <strong>og</strong> horisontale linjer i rutenettet. For eksempel kan senterpunkter i observasjonsarealer<br />
plassert i et 18 × 18 km-nett defineres som et underutvalg av potensielle observasjonsarealer i et 9 ×<br />
9km nett (hvert 4. skjæringspunkt mellom gridlinjene) eller i et 3 × 3km nett (hvert 36. skjæringspunkt).<br />
Et arealrepresentativt utvalg kan tjene som grunnlag for arealtyperepresentativ datainnsamling ved at<br />
potensielle observasjonssteder (skjæringspunkter mellom linjer i rutenettet) inkluderes i et underutvalg hvis<br />
<strong>og</strong> bare hvis de tilfredsstiller et sett eksplisitte utvalgskriterier. Bare hvis det er mulig å angi eksplisitte<br />
69
kriterier for hvordan arealtypen (naturtypen) skal defineres, slik vurderingene av hvert eneste potensielle<br />
observasjonssted med hensyn til hvorvidt kriteriene for å inkluderes i det arealtyperepresentative utvalget er<br />
oppfylt eller ikke, blir beheftet med minimal subjektivitet, er gridbasert arealtyperepresentativ datainnsamling<br />
mulig.<br />
Observasjoner gjort på observasjonssteder som er virkelige punkter (det vil si uten romlig<br />
utstrekning), for eksempel av naturtyper, gir vanligvis grunnlag for estimater av arealandel av naturtypen i<br />
definisjonsområdet som er forventningsrette, det vil si uten systematiske feil. Tilnærmet gjelder dette <strong>og</strong>så<br />
for estimater basert på observasjoner på observasjonssteder med så liten utstrekning at de stort sett er<br />
hom<strong>og</strong>ene med hensyn til naturtype, for eksempel Landssk<strong>og</strong>takseringens 250 m 2 sirkelflater som stort<br />
sett inneholder én vegetasjonstype. Men når skjæringspunkter mellom vertikale <strong>og</strong> horisontale gridlinjer i<br />
arealtyperepresentative overvåkingsnettverk benyttes som observasjonsområder i nøstet datafangst (slik at<br />
indikatorvariablene registreres på mange observasjonssteder innenfor hvert observasjonsområde), er det<br />
fare for systematiske feil i estimater basert på utvalget fordi sannsynligheten for å fange opp naturtypefigurer<br />
av en gitt (under)type avhenger av om denne (under)typen har samme fordelingsmønster (forekommer<br />
mindre eller mer hyppig) i definisjonsområdet som utvalgskriteriet for arealtypen. Et eksempel på dette<br />
er overvåkingen av arealtilstand i jordbrukslandskapet (3Q), der utvalgskriteriet for 1 × 1 km-flatene er<br />
tilstedeværelse av jordbruksareal (3Q arealtype A) i senterpunktet. Estimerte arealandeler av andre<br />
naturtyper enn jordbruksareal registrert i flatene vil være representative for totalområdet hvis <strong>og</strong> bare hvis<br />
arealdekningen av disse naturtypene er den samme i 1 × 1 km-flater med jordbruksareal i senterpunktet som<br />
i 1 × 1 km-flater med andre arealtyper i senterpunktet. For mange naturtyper vil dette ikke være tilfellet.<br />
For å kunne overvåkes med arealrepresentative datainnsamlingsmetoder må en indikatorvariabel<br />
forekomme så hyppig at antallet observasjoner gir grunnlag for estimater med akseptabel pålitelighet<br />
(påliteligheten til areal(type)representative estimater øker proposjonalt med kvadratroten av antallet<br />
observasjoner − en firedobling av antallet observasjoner må til for å halvere usikkerheten; se kapittel 2.4).<br />
Det samme gjelder arealtyperepresentativ naturovervåking, for eksempel et nasjonalt arealrepresentativt<br />
nettverk fortettet for overvåking i en spesifikk, sjelden naturtype. Fortetting av arealrepresentative nettverk<br />
er særlig hensiktsmessig for naturtyper (<strong>og</strong> andre naturmangfoldvariabler, som for eksempel populasjoner<br />
av arter med liten utbredelse <strong>og</strong>/eller få artsforekomster som hver har lite faktisk forekomstareal) som<br />
er begrenset til mindre, klart avgrensete deler av overvåkingsundersøkelsens totale definisjonsområde.<br />
Landssk<strong>og</strong>takseringen er et godt eksempel på at arealtyperepresentativ datainnsamling er velegnet for<br />
overvåking i en vanlig <strong>og</strong> vidt utbredt ’naturtype’ som sk<strong>og</strong> (slik sk<strong>og</strong> er definert i Landssk<strong>og</strong>takseringen).<br />
En naturtype som i prinsippet kan være egnet for arealtyperepresentativ datainnsamling, er natursystemhovedtypen<br />
sanddynemark (T13) i NiN, som finnes langs kysten <strong>og</strong> enkelte steder langs elver innenfor<br />
kysten (Halvorsen et al. 2009a). Forutsetningen for effektiv arealtyperepresentativ datainnsamling er a priori<br />
kunnskap som gjør det mulig å fortette et arealrepresentativt nettverk av potensielle overvåkingssteder så<br />
mye at antallet observasjonspunkter som tilfredsstiller de spesifikke utvalgskriteriene (tilleggskravene) blir<br />
tilstrekkelig for pålitelig estimering av arealegenskaper (arealstatistikk). Fortetting kan skje ved stratifisering,<br />
det vil si bruk av et sett enkle stratifiseringskriterier (i tilfellet sanddynemark for eksempel avstand fra kysten,<br />
modellert vindeksponering etc.) for først å sortere vekk et stort antall uaktuelle observasjonssteder <strong>og</strong><br />
dernest sjekke et overkommelig antall potensielle observasjonssteder for tilstedeværelse av den aktuelle<br />
naturtypen.<br />
I prinsippet skulle man kanskje tro at det er mulig å definere objektive utvalgskriterier for mange av<br />
naturtypene det knytter seg spesiell forvaltningsinteresse til, for eksempel natursystemhovedtypen<br />
kulturmarkseng (T4) i NiN. Naturtypekartleggingen etter NiN sommeren 2010 viste imidlertid at denne<br />
<strong>og</strong> mange antatt ’greie’ naturtyper, inkludert sanddynemark, ikke entydig kan skilles fra ’nærstående’<br />
naturtyper ved hjelp av kriterier i dokumentasjonen for NiN versjon 1.0. Konklusjonen i kapittel 2 er at det<br />
er mulig å oppnå langt større presisjon i naturtypekartene, men at en 100 % overensstemmelse mellom<br />
naturtypekart ikke er mulig å oppnå i en natur der gradvise overganger er regelen snarere enn unntaket.<br />
Kapittel 6 viser dessuten at det ikke er mulig å identifisere kulturmarkseng entydig på grunnlag av<br />
tilgjengelig arealinformasjon. Arealtyperepresentativ datainnsamling er derfor uaktuell for denne naturtypen<br />
<strong>og</strong>, delvis av samme grunner, sannsynligvis <strong>og</strong>så for de fleste andre naturtyper det knytter seg spesiell<br />
forvaltningsinteresse til.<br />
5.3.4 Sannsynlighetsbasert datainnsamling<br />
Sannsynlighetsbasert datainnsamling innebærer, liksom areal(type)representativ datainnsamling,<br />
at en indikatorvariabel registreres i et utvalg av observasjonssteder som skal være representativt<br />
for overvåkingens definisjonsområde. Men mens hver observasjon i et areal(type)representativt<br />
utvalg representerer en like stor andel av populasjonen av potensielle observasjoner, det vil si at<br />
70
observasjonsstedene har samme sannsynlighet for å bli valgt ut (equal probability sampling; Yoccoz<br />
et al. 2001), er et sannsynlighetsbasert utvalg representativt for undersøkelsens definisjonsområde<br />
fordi utvalget baseres på eksplisitt kunnskap om sannsynligheten for at indikatoren er til stede på hvert<br />
potensielle observasjonssted. Hver observasjon representerer dermed en kjent (men ikke konstant)<br />
andel av populasjonen av potensielle observasjoner (unequal probability sampling; Yoccoz et al. 2001).<br />
Sannsynlighetsbasert datainnsamling åpner muligheten for å overrepresentere observasjonssteder<br />
der det er sannsynlig at indikatoren er til stede, <strong>og</strong> dermed en mulighet for å få arealrepresentative<br />
estimater for egenskaper <strong>og</strong>så ved indikatorer som er sjeldne <strong>og</strong>/eller har liten utbredelse. Fordi<br />
antallet observasjonssteder som må oppsøkes for å påtreffe indikatoren et gitt antall ganger er mye<br />
lavere ved sannsynlighetsbasert datainnsamling enn ved areal(type)representativ datainnsamling, har<br />
sannsynlighetsbasert datainnsamling i hvert fall i teorien potensiale for å være en mye mer kostnadseffektiv<br />
metode for overvåking av sjeldne indikatorer. Men medaljen har <strong>og</strong>så en bakside. Når deler av populasjonen<br />
(potensielle observasjonssteder der sannsynligheten for å påtreffe indikatoren er lav) er dårlig representert<br />
i utvalget, er det <strong>og</strong>så større risiko for systematiske feil i estimatene eller at de blir sårbare for stor tilfeldig<br />
variasjon. I dette kapitlet forklares prinsippene for sannsynlighetsbasert datainnsamling, <strong>og</strong> ulike sider ved<br />
metoden drøftes. En detaljert gjennomgang av metoden, med større vekt på statistiske aspekter, finnes i VII:<br />
2.2. Resultater av et omfattende simuleringsstudium (se VII: 3) med klar relevans for hvor sterkt en indikator<br />
bør overrepresenteres i et sannsynlighetsbasert utvalg blir <strong>og</strong>så oppsummert.<br />
Utgangspunktet for sannsynlighetsbasert datainnsamling er at vi ønsker å estimere en egenskap ved en<br />
indikatorvariabel A på grunnlag av et utvalg av n observasjoner. Indikatorvariabelen A kan for eksempel være<br />
tilstedeværelse eller fravær av en gitt naturtype i gridruter av gitt størrelse innenfor et definisjonsområde<br />
(det totale antallet gridruter i dette området, <strong>og</strong> dermed antallet potensielle observasjonssteder, er N),<br />
<strong>og</strong> egenskapen vi ønsker å estimere kan for eksempel være naturtypens prevalens (kapittel 2.5), det vil<br />
si andelen av gridruter der naturtypen er til stede. La oss bruke A Y som betegnelse for denne spesifikke<br />
indikatorvariabelen, <strong>og</strong> la utvalget av observasjoner av A Y betegnes Y = {y j }, j = 1, ..., n. Dette utvalget<br />
er en delmengde av populasjonen = {y i }, i = 1, ... , N av potensielle observasjonsenheter for A Y . Den<br />
sikreste måten å bestemme naturtypens prevalens er å undersøke alle gridrutene i definisjonsområdet,<br />
det vil si å telle opp antallet y i : y i = 1 <strong>og</strong> dele på N [merk at løpeindeksen i brukes for potensielle<br />
observasjonssteder i hele populasjonen (N steder), mens løpeindeksen j brukes for observasjonssteder i<br />
et utvalg av n observasjonssteder]. Men hvis N er stor <strong>og</strong>/eller hvis det for mange av gridrutene er svært<br />
kostnadskrevende å framskaffe data <strong>og</strong>/eller hvis y i = 0 for de aller fleste potensielle observasjonsstedene,<br />
slik tilfellet er med indikatorer med lav prevalens, er det umulig å unngå å måtte foreta et utvalg <strong>og</strong> å bruke<br />
dette utvalget til å estimere den egenskapen ved indikatorvariabelen vi er interessert i (her naturtypens<br />
prevalens). Sannsynlighetsbasert datainnsamling innebærer at hvert potensielle observasjonssted i gis hver<br />
sin vekt w i , <strong>og</strong> at sannsynligheten for å trekke i er proporsjonal med w i . Det vil si at dersom et potensielt<br />
observasjonssted i har vekten 0,2 <strong>og</strong> et annet sted k har vekten 0,4, så skal sannsynligheten for å velge k<br />
være dobbelt så stor som sannsynligheten for å velge i. Vektene er i utgangspunktet relative sannsynligheter<br />
som forteller hvor mange ganger høyere eller lavere sannsynlighet det skal være for å velge i enn for å<br />
velge k som første uttrukne observasjonssted. Utvelgelse av observasjonsenheter til et sannsynlighetsbasert<br />
utvalg skjer ’uten tilbakelegging’ – et observasjonssted kan bare trekkes ut én gang. Det innebærer at<br />
sannsynligheten for å trekke hver av de gjenværende potensielle observasjonsenhetene endrer seg hver<br />
gang en ny observasjonsenhet er trukket ut. Men dersom N er veldig stor i forhold til n, slik tilfellet alltid<br />
vil være ved overvåking i et stort definisjonsområde som for eksempel Norge eller en norsk landsdel,<br />
forblir sannsynligheten p i for å trekke ut det første observasjonsstedet i tilnærmet uforandret gjennom hele<br />
utvelgelsesprosessen, nemlig<br />
Av praktiske grunner brukes ofte sannsynlighetsfordelingen P = {p i }, i = 1, ..., N, som vekter ved<br />
sannsynlighetsbasert utvalg fordi vekter som summerer til 1 er absolutte sannsynligheter som direkte angir<br />
sannsynligheten for at et gitt potensielt observasjonssted i skal bli trukket ut som første observasjonssted.<br />
Gitt at N er veldig stor i forhold til n, er sannsynligheten π i for at et potensielt observasjonssted i skal<br />
inkluderes i utvalget<br />
Ett enkelt eksempel illustrerer sannsynlighetsbasert datainnsamling. La oss tenke oss at N = 16, det vil si at<br />
71
overvåkingsundersøkelsens definisjonsområde består av 16 gridruter. Vi ønsker å estimere en naturtypes<br />
prevalens, men har bare ressurser til å sjekke n = 6 gridruter. La oss anta at vi veit, for eksempel på<br />
grunnlag av en naturtypemodell, at naturtypen har tre ganger så stor sannsynlighet for tilstedeværelse i<br />
de fire gridrutene i = 1, ... 4, enn i de øvrige 12 (i = 5, ..., 16) gridrutene. En mulig måte å utnytte denne<br />
a priori kunnskapen til å foreta et sannsynlighetsbasert utvalg av observasjonssteder, er å bruke relative<br />
sannsynligheter for tilstedeværelse som vekter; det vil si at w’, vektene for i = 1, ..., 4, skal være tre ganger<br />
så høye som w’’, vektene for i = 5, ..., 16. Et sett av sannsynlighetsvekter p i (p’ <strong>og</strong> p’’) som gjenspeiler denne<br />
fordelingen er gitt av likningene<br />
Dersom vi sampler seks gridruter med p i som vekter, er sannsynligheten for at en spesifikk gridrute med lav<br />
sannsynlighet for tilstedeværelse skal bli inkludert i utvalget<br />
der n’ <strong>og</strong> N’ er henholdsvis antallet observasjoner som skal velges ut <strong>og</strong> det totale antallet observasjoner i<br />
delutvalg som skal samples separat. Sannsynligheten for at en spesifikk gridrute med høy sannsynlighet for<br />
tilstedeværelse skal bli inkludert i utvalget er<br />
Sannsynlighetsbasert datainnsamling forutsetter a priori kunnskap om sannsynligheten for tilstedeværelse<br />
av indikatoren på hvert enkelt potensielle observasjonssted. Slik kunnskap kan vi (normalt) bare få på én<br />
eneste måte; ved hjelp av en romlig prediksjonsmodell for indikatoren. Fordi det er sterkt anbefalt at en<br />
romlig prediksjonsmodell som skal tjene som grunnlag for utvelgelse av observasjonssteder for overvåking<br />
er grundig evaluert ved bruk av et uavhengig innsamlet evalueringsdatasett (se kapittel 4.2.6 for begrunnelse<br />
<strong>og</strong> beskrivelse av hvordan slik evaluering gjennomføres; <strong>og</strong> kapitlene III–V for eksempler), er den evaluerte<br />
romlige prediksjonsmodellen nøkkelbrikken i sannsynlighetsbasert datainnsamling.<br />
Det er i teorien mulig å bruke ”rå” RPPPverdier (relativ predikert sannsynlighet for tilstedeværelse) fra<br />
en hvilken som helst romlig prediksjonsmodell (kapittel 4.2.2) som vekter i sannsynlighetsbasert utvalg,<br />
men dette frarådes sterkt (se kapittel 4.2.6). Vi legger derfor til grunn at prediksjonsmodellen er evaluert <strong>og</strong><br />
at det finnes estimater for TPP (reell sannsynlighet for tilstedeværelse) for den modellerte indikatoren i alle<br />
gridceller i. Disse estimatene utgjør vektoren Q = {q i }, i = 1, ..., N. Vektoren av sannsynligheter P = {p i }, i = 1,<br />
..., N, for at en tilfeldig valgt observasjon skal være en tilstedeværelsesobservasjon er gitt av<br />
I grunnlagsundersøkelse VII forklares (i detalj) hvordan vektoren Q, eller sannsynlighetene P som gir<br />
samme resultat, kan brukes til å foreta sannsynlighetsbasert utvelgelse av observasjonssteder for en<br />
indikatorvariabel, for eksempel A Y . Der forklares <strong>og</strong>så hvordan en enkel transformasjon av vektene q i gjør<br />
det mulig å variere c * , forventet andel tilstedeværelsesobservasjoner i utvalget, fra nær null til en verdi<br />
c *<br />
max som er bestemt av hvor god prediksjonsmodellen er, nærmere bestemt av den høyeste q i verdien<br />
modellen predikerer (det vil si den estimerte sannsynligheten for at indikatoren skal være til stede på steder<br />
der modellen utpeker størst sannsynlighet for tilstedeværelse). I grisebladeksemplet (grunnlagsundersøkelse<br />
III) er c * = q i,max ≈ 0,12, hvilket innebærer at 12 % av observasjonsstedene (12 i et utvalg på 100) i et<br />
utvalg som bare inneholder ’høysannsynlighetssteder’ kan forventes å inneholde griseblad. Ettersom<br />
griseblad har en prevalens (c * ) på bare 0,007, gir altså modellen mulighet for å øke representasjonen<br />
0<br />
72
av gridruter som inneholder grisebladforekomster med en faktor på ca. 17 (0,12/0,007). Denne faktoren,<br />
representasjonsforholdet, betegnes C * . Potensialet for overrepresentasjon av observasjonssteder der<br />
indikatoren er til stede avhenger altså av indikatorens prevalens <strong>og</strong> av hvor god utbredelsesmodellen er.<br />
Noen eksempler, fra de romlige prediksjonsmodellene i grunnlagsundersøkelsene III–VI <strong>og</strong> fra en annen<br />
tilsvarende undersøkelse, er oppsummert i Tabell 7. Tabellen viser at det er svært stor variasjon mellom<br />
utbredelsesmodellene <strong>og</strong> at maksimalt representasjonsforhold ligger mellom 5 <strong>og</strong> ca. 60.<br />
Sammenhengene mellom sannsynlighetsvekter s P = { s p i } (veiefunksjonen av orden s) <strong>og</strong> estimerte<br />
sannsynligheter for tilstedeværelse Q på den ene siden <strong>og</strong> tilhørende verdier for forventet andel<br />
tilstedeværelsesobservasjoner ( s c * ) <strong>og</strong> representasjonsforholdet ( s C * ) på den andre siden, er gitt av følgende<br />
formler (se VII: 2.2 for forklaring):<br />
Av uttrykket for s p i ser vi at s = 0 innebærer lik vekt til alle potensielle observasjonssteder (tilfeldig utvalg). 0 c*<br />
er dermed lik indikatorens prevalens. Alle reelle tall, <strong>og</strong>så negative, gir mening som verdier for s. Negative<br />
verdier av s innebærer at observasjonssteder med forventet tilstedeværelse underrepresenteres i utvalget,<br />
positive verdier for s innebærer at observasjonssteder med forventet tilstedeværelse overrepresenteres<br />
Tabell 7. Noen egenskaper ved sannsynlighetsbaserte utvalg av observasjonssteder basert på romlige<br />
prediksjonsmodeller for norske naturtyper <strong>og</strong> arter. Korn = lineær kornstørrelse, det vil si lengden av<br />
sidekanten i et gridrute som definisjonsområdet er griddet til. Prevalens (= 0 c * ) = estimert andel gridruter<br />
naturfenomenet er til stede. +∞ c * = maksimal forventet andel tilstedeværelsesobservasjoner som modellen<br />
gjør mulig i et sannsynlighetsbasert utvalg. +∞ C * = reprsentasjonsforholdet som svarer til +∞ c * .<br />
Indikator Definisjonsområde<br />
Griseblad<br />
(Scorzonera humilis)<br />
Kornstørrelse<br />
(m)<br />
0 c * +∞ c * +∞ C * Datakilde<br />
SØ Østfold 25 0,0073 0,12 17 grunnlagsundersøkelse III<br />
Kulturmarkseng Oppdal, STr 500 0,2266 0,95 4 grunnlagsundersøkelse IV,<br />
modell NaS P500, evaluert<br />
med E500<br />
Kulturmarkseng Oppdal, STr 100 0,0570 0,60 10 grunnlagsundersøkelse IV,<br />
modell NaS P100, evaluert<br />
med E100<br />
Eik (Quercus spp.) SØ Norge 25 0,0488 0,45 9 grunnlagsundersøkelse V<br />
Åpen grunnlendt kalkmark Indre Oslofjord 5 0,0087 0,50 60 grunnlagsundersøkelse VI<br />
Parkslirekne<br />
(Fallopia japonica)<br />
Hagelupin<br />
(Lupinus polyphyllus)<br />
Hordaland<br />
<strong>og</strong> S<strong>og</strong>n <strong>og</strong><br />
Fjordane<br />
Hordaland<br />
<strong>og</strong> S<strong>og</strong>n <strong>og</strong><br />
Fjordane<br />
100 0,0105 0,05 5 Auestad et al. (i trykk)<br />
100 0,0140 0,20 14 Auestad et al. (i trykk)<br />
73
i utvalget. s = 1 svarer til bruk av sannsynlighetene P = {p i } som vekter, uten noen transformering, <strong>og</strong><br />
resulterer i en moderat overrepresentasjon av observasjonssteder med forventet tilstedeværelse. I<br />
grisebladeksemplet (III) er 1 c* = 0,0255, som medfører en økning i forventet andel observasjonssteder<br />
med griseblad på 3,5× i forhold til et tilfeldig utvalg av observasjonssteder ( 1 C* = 0,0255/0,007 ≈ 3,5).<br />
Modelleringen av kulturmarkseng i Oppdal, med tyngdepunkt for naturtypepolygoner registrert i den<br />
kommunale naturtypekartleggingen (se kapittel 1.1) som responsvariabel <strong>og</strong> prediktorvariabler griddet til<br />
kornstørrelse 100 m, resulterte i +∞ c * ≈ 0,6 <strong>og</strong> 1 C * = 0,1853/0,0570 ≈ 3,2). I simuleringsstudien i VII: 3, som tar<br />
utgangspunkt i en naturtype med prevalens 0,02 <strong>og</strong> en romlig prediksjonsmodell med +∞ c* = 0,2, er 1 C* = 5,2.<br />
Det viser at s c* som funksjon av s ikke følger samme kurve i hvert tilfelle, men er avhengig av indikatorens<br />
prevalens <strong>og</strong> hvor god prediksjonsmodellen er.<br />
Sannsynlighetsbasert utvalg kan i prinsippet brukes til å estimere mange ulike egenskaper ved mange<br />
ulike indikatorvariabler; ikke bare en naturtypes prevalens (se kapittel 2.6 <strong>og</strong> grunnlagsundersølelse VII<br />
for inndeling av indikatorvariabler på grunnlag av hvilke observasjonsenheter som er relevante). I de<br />
fleste tilfeller er vi interessert i å estimere forventningen (den sanne middelverdien) til indikatorvariabelen.<br />
Dette kan for eksempel være en naturtype sin prevalens, som er forventningen til indikatorvariabelen<br />
’naturtypetilstedeværelse’, eller det kan være aggregert artsmengde, som kan estimeres som forventningen<br />
til indikatorvariabelen ’tilstedeværelse av art A innenfor naturtypen B’. Det kan <strong>og</strong>så være en egenskap<br />
som kan avledes av artsmengde (for eksempel totalt faktisk figurareal for en naturtype, som er produktet av<br />
naturtypens prevalens <strong>og</strong> forventningen for indikatoren ’faktisk figurareal’.<br />
Standardestimatoren for middelverdien μ i fordelingen av en indikatorvariabel A Y i et sannsynlighetsbasert<br />
utvalg er den såkalte Horvitz-Thompson estimatoren (Horvitz & Thompson 1952):<br />
der π j er sannsynligheten for at observasjonssted j skal bli inkludert i utvalget <strong>og</strong> n er antallet observasjoner<br />
(av det totale antallet N potensielle steder) som inngår i det sannsynlighetsbaserte utvalget (n ≤ N).<br />
HorvitzThompson estimatoren er den veiete middelverdien av observasjonene i utvalget Y = {y j }, j = 1,<br />
..., n, med vekter som er omvendt proposjonale med de vektene som ble lagt til grunn når utvelgelse av<br />
observasjonene ble gjort. Dette innebærer at HorvitzThompson estimatoren ’kompenserer’ fullt ut for at<br />
de ulike observasjonene representerer ulike andeler av populasjonen av potensielle observasjonsenheter.<br />
HorvitzThompson estimatoren er derfor forventningsrett <strong>og</strong> gir arealrepresentative estimater.<br />
I prinsippet er det <strong>og</strong>så mulig å bruke gjennomsnittet av de observerte verdiene som estimator for<br />
forventningen (den sanne middelverdien) for indikatorvariabelen A. Denne direkte estimatoren,<br />
gir imidlertid ikke forventningrette <strong>og</strong> arealrepresentative estimater når observasjonene i utvalget ikke er helt<br />
tilfeldig eller systematisk valgt ut (dette blir inngående drøftet i kapittel 8).<br />
De to estimatorenes egenskaper kan illustreres det sannsynlighetsbaserte utvalget av 6 av 16 gridruter i<br />
eksemplet ovenfor. Dersom naturtypen finnes i en av de tre utvalgte gridrutene med lav a priori sannsynlighet<br />
for tilstedeværelse <strong>og</strong> i to av de tre gridrutene med høy a priori sannsynlighet for tilstedeværelse, er Horvitz<br />
Thompson estimatoren for naturtypens prevalens<br />
Det direkte estimatet for prevalensen er<br />
HorvitzThompson estimatet for prevalens, 5/12, antyder forventet tilstedeværelse av naturtypen i 5 av<br />
12 tilfeldig valgte gridruter (6,66 av 16). Dette er et lavere tall enn det direkte estimatet på 1/2 (8 av 16<br />
gridruter). Grunnen til denne forskjellen er at HorvitzThompson estimatoren tar hensyn til at to av de tre<br />
74
observasjonene av tilstedeværelse er gjort på observasjonssteder der vi i utgangspunktet holdt det for mer<br />
sannsynlig at naturtypen fantes, <strong>og</strong> at slike observasjonssteder er overrepresentert i utvalget. Mens Horvitz<br />
Thompson estimatoren er et forventningsrett estimat for naturtypens prevalens, bør vi regne med at den<br />
direkte estimatoren overrepresenterer prevalensen.<br />
’Undersampling’ av potensielle observasjonssteder med lav sannsynlighet for tilstedeværelse <strong>og</strong> bruke av<br />
den forventningsrette HorvitzThompson estimatoren til å estimere indikatorvariabelegenskaper har imidlertid<br />
en pris; denne estimatoren har større varians enn en direkte estimator basert på et utvalg med samme antall<br />
tilstedeværelsesobservasjoner der alle potensielle observasjonsenheter samples med samme sannsynlighet.<br />
Det vises av eksempelet: Dersom naturtypen blir funnet i to av de tre gridrutene med lav sannsynlighet for<br />
tilstedeværelse i stedet for bare i én, blir . Hvis i stedet naturtypen blir funnet i den tredje av de tre<br />
gridrutene med høy sannsynlighet for tilstedeværelse, forandrer estimatet seg mye mindre; . Det<br />
tilsvarende direkte estimatet er . Dette viser at HorvitzThompson estimatoren i utgangspunktet er mye<br />
mer følsom for tilfeldig variasjon i delutvalget av observasjoner med lav vekt enn for variasjon i delutvalget<br />
av observasjoner med høy vekt, noe som naturligvis skyldes at det observasjoner med lav vekt er dårligere<br />
representert i det sannsynlighetsbaserte utvalget. Totalt sett, når vi tar hensyn både til forventningsavvik <strong>og</strong><br />
variabilitet, er imidlertid HorvitzThompson estimatoren langt å foretrekke framfor den direkte estimatoren.<br />
Dersom vi har god grunn til å anta at sannsynligheten for å finne naturtypen er tre ganger så stor i 4 av de 16<br />
gridrutene som i de 12 andre, vil det for eksempel være dumt å risikere et prevalensestimat på 0, hvilket blir<br />
resultatet dersom vi er så uheldige å trekke tilfeldig 6 gridruter med lav sannsynlighet for tilstedeværelse <strong>og</strong><br />
naturtypen (tilfeldigvis) mangler i alle! Hvorvidt et tilfeldig (arealrepresentativt) eller et sannsynlighetsbasert<br />
utvalg gir de mest pålitelige estimatene for en indikatorvariabel avhenger av indikatorvariabelens<br />
fordelingsmønster <strong>og</strong> hvor god vår a priori kunnskap om dette fordelingsmønsteret er. At observasjonenes<br />
vekt inngår i nevneren i hvert ledd i uttrykket for HorvitzThompson estimatoren innebærer imidlertid<br />
at tilfeldige enkeltobservasjoner kan forventes å gi store utslag på estimatet, <strong>og</strong> at dette utslaget kan<br />
forventes å øke med økende grad av overrepresentasjon av potensielle observasjonssteder med sannsynlig<br />
tilstedeværelse (det vil si med høyt representasjonsforhold C*).<br />
I simuleringsundersøkelsen i VII: 3 sammenliknes HorvitzThomson estimatoren med den direkte<br />
estimatoren for sju ulike indikatorvariabler som hver er representert med 100 kombinasjoner av 10 simulerte<br />
datasett <strong>og</strong> 10 sannsynlighetsbaserte utvalg for hver av fire ulike veiefunksjoner (s = 0, 0,5, 1 <strong>og</strong> 2).<br />
Resultatene av denne undersøkelsen kan oppsummeres i følgende hovedpunkter:<br />
• Bruk av den direkte estimatoren til å estimere forventningen til en indikatorvariabel i et<br />
sannsynlighetsbasert utvalg kan resultere i estimater med store systematiske avvik<br />
• HorvitzThompson estimatoren kan, ved sterk overrepresentasjon av observasjonssteder med høy<br />
sannsynlighet for tilstedeværelse av en naturtype, systematisk underestimere naturtypens prevalens<br />
• Den direkte estimatoren gir estimater med lavere spredning (lavere variasjonskoeffisient) enn den<br />
tilsvarende HorvitzThompson estimatoren<br />
• For alle gruppene av indikatorvariabler, inndelt på grunnlag av hvilke observasjonsenheter som<br />
er relevante for å samle informasjon om dem <strong>og</strong> som er inkludert i simuleringsstudien, bidrar<br />
sannsynlighetsbasert datainnsamling til å forbedre estimatene for forventningen<br />
• Moderat sannsynlighetsveiing ( s et sted mellom 0,5 <strong>og</strong> 1,0) representerer et optimalt kompromiss<br />
for HorvitzThompson estimatoren med hensyn både til lav forventningsfeil <strong>og</strong> til lav spredning;<br />
at resultatene er konsistente over hele spekteret av indikatorvariabler indikerer at moderat<br />
sannsynlighetsveiing av potensielle observasjonssteder (f.eks. med s = 0,75) kan vise seg å være en<br />
regel med generell gyldighet<br />
Grunnlagsundersøkelse VII avdekker at HorvitzThompson estimatoren kanskje ikke gir så gode estimater<br />
som man skulle ønske. Den er imidlertid ikke den eneste estimatoren som kan brukes til å estimere<br />
middelverdien for en indikatorvariabel i et sannsynlighetsbasert utvalg. Bruken av andre estimatorer er<br />
imidlertid <strong>og</strong>så forbundet med utfordringer knyttet til variabilitet <strong>og</strong> presisjon (se Stevens & Olsen 2004,<br />
Dixon et al. 2005), <strong>og</strong> en grundig vurdering av alle aktuelle estimatorer er derfor påkrevd.<br />
Ved sannsynlighetsbasert datainnsamling er det ønskelig med god ge<strong>og</strong>rafisk spredning av<br />
observasjonsenhetene som velges ut, over hele overvåkingsundersøkelsens definisjonsområde. I<br />
arealrepresentativ datainnsamling ivaretas dette hensynet ved at observasjonsstedene plasseres<br />
i et regelmessig rutenett. Det finnes flere måter å ivareta hensynet til ge<strong>og</strong>rafisk balanse ved<br />
sannsynlighetsbasert datainnsamling. Den kanskje mest gjennomtenkte av disse er GRTSmetoden<br />
(generalized random-tesselation design; Stevens & Olsen 2003) som innebærer at definisjonområdet griddes<br />
75
så fint at hver gridcelle inneholder maksimalt ett potensielt observasjonssted (eller observasjonsområde<br />
for nøstet datainnsamling). Deretter gis hver gridcelle i definisjonsområdet en sannsynlighetsvekt p i<br />
(det vil si at summen av vektene er 1). Som et neste ledd i prosedyren for utvelgelse av observasjoner<br />
utføres en såkalt hierarkisk randomisering. Dette innebærer at det ge<strong>og</strong>rafiske rommet ’avbildes’ på ei<br />
tallinje (i et endimensjonalt rom) samtidig som informasjonen om den romlige plasseringen av potensielle<br />
observasjonssteder bevares så godt det er mulig. Stevens & Olsen (2004) viser eksempler på GRTSmetoden.<br />
Når gridrutenes rekkefølge er bestemt, allokeres til hver potensielle observasjonsenhet et<br />
linjestykke hvis lengde er lik p i ; gridcelle 1 får linjestykket (0, p 1 ), gridcelle 2 får linjestykket (p 1 , p 1 + p 2 ) etc. Et<br />
GRTSutvalg med n observasjoner fås ved først å velge et tilfeldig tall φ (med mange desimaler) mellom 0<br />
<strong>og</strong> 1/n. De n punktene φ + (i–1)/n, ett punkt for hver verdi av i fra 1 til n, plasserer seg entydig innenfor hvert<br />
sitt linjestykke <strong>og</strong> bestemmer dermed hvilke observasjonssteder utvalget skal bestå av. Pr<strong>og</strong>rambiblioteket<br />
spsurvey (Kincaid 2008) i statistikk<strong>verktøy</strong>et R kan brukes til å gjøre sannsynlighetsbasert (<strong>og</strong><br />
arealtyperepresentativ) utvelgelse av observasjonsenheter etter GRTSmetoden. Theobald et al. (2008) viser<br />
ved eksempler hvordan denne metoden kan integreres i et GIS.<br />
Sannsynlighetsbasert datainnsamling kan brukes som element i et nøstet utvalg, for eksempel for å foreta<br />
et utvalg av observasjonsområder som observasjonssteder seinere skal plasseres innenfor. Men kunnskap<br />
om variasjon i indikatorens sannsynlighet for tilstedeværelse kan i prinsippet benyttes på et hvilket som helst<br />
nøstingsnivå i et slikt nøstet utvalg (det vil si for å foreta utvalg av observasjonsområder på øverste <strong>og</strong>/eller<br />
lavere nøstingsnivåer <strong>og</strong>/eller for utvelgelse av observasjonssteder innenfor hvert observasjonsområde).<br />
Utsjekk av potensielle observasjonsområder innebærer vesentlig større reisekostnader <strong>og</strong> tidsforbruk enn<br />
utsjekk av potensielle observasjonssteder innen små observasjonsområder. Derfor kan det være grunn til<br />
å anta at sannsynlighetsbasert utvalg først <strong>og</strong> fremst vil være aktuelt for å foreta en forhåndsstratifisering<br />
(prestratifisering) av potensielle observasjonsområder, det vil si ved utvelgelse av områder på det<br />
øverste nivået i et nøstet utvalg (observasjonsområder innenfor definisjonsområdet). Prestratifisering<br />
innebærer en oppdeling av totalområdet i strata, grupper av potensielle observasjonsenheter med tilnærmet<br />
samme sannsynlighet for tilstedeværelse av indikatoren. Hvilken metode som bør brukes for utvelgelse<br />
av observasjonssteder innenfor observasjonsområdene vil avhenge av indikatoren som skal overvåkes<br />
<strong>og</strong> av indikatorvariablene som skal registreres. For eksempel kan faktisk figurareal for en naturtype<br />
innenfor observasjonsområder overvåkes ved gjentatt totalkartlegging (arealdekkende datainnsamling),<br />
ved arealrepresentativt utvalg av observasjonspunkter eller ved en nytt sannsynlighetsbasert utvalg<br />
av observasjonsarealer eller punkter (basert på samme prediksjonsmodell som ved utvelgelse<br />
av observasjonsområder på øverste nøstingsnivå eller på en eller flere andre modeller). I alle<br />
grunnlagsundersøkelsene (bortsett fra IV, der prediktorvariablene <strong>og</strong>så griddes til grovere kornstørrelser, opp<br />
til 500 × 500 m) griddes imidlertid prediktorvariablene til et så fint rutenett [25 × 25 m for grisebladmodellen<br />
i III <strong>og</strong> eikemodellen i V <strong>og</strong> 5 × 5 m i modellen for åpen grunnlendt kalkmark (VII)] at prediksjonsmodellene<br />
kan brukes direkte til utvelgelse av observasjonssteder slik at nøstet datainnsamling unngås.<br />
Resultatene fra romlig prediksjonsmodellering av et utvalg arter <strong>og</strong> naturtyper i grunnlagsundersøkelsene<br />
III–VI <strong>og</strong> fra simuleringsstudien i VII gir grunn til optimisme med hensyn til sannsynlighetsbasert<br />
datainnsamling som en praktisk gjennomførbar utvalgsmode. Denne nye metoden kan gjøre det mulig,<br />
med overkommelig innsats (det vil si utsjekk av et antall observasjonsområder som ligger innenfor<br />
overvåkingsundersøkelsens ressursrammer), å få tilstrekkelig mange observasjoner, <strong>og</strong>så av ’relativt<br />
sjeldne indikatorer’, til at egenskaper for relevante indikatorvariabler kan estimeres med tilstrekkelig<br />
pålitelighet. Med ’relativt sjeldne indikatorer’ menes naturtyper <strong>og</strong> arter med begrenset utbredelse <strong>og</strong>/eller<br />
lavt totalt faktisk figurareal eller totalt faktisk forekomstareal <strong>og</strong>/eller spredte, små figurer/forekomster (lavt<br />
gjennomsnittlig faktisk figurareal eller faktisk forekomstareal). Dixon et al. (2005) omtaler indikatorer med<br />
prevalens < 0,01 som sjeldne. Avveiningen mellom valg av sannsynlighetsbasert datainnsamling <strong>og</strong> andre<br />
overvåkingsmetoder blir videre drøftet i kapittel 5.4.<br />
En evaluert romlig prediksjonsmodell, som til enhver gridrute i definisjonsområdet tilordner en estimert<br />
reell sannsynlighet for tilstedeværelse (TPP) for en indikator, kan <strong>og</strong>så brukes til å knytte sammen<br />
overvåkingsområder som inngår i ulike (parallelle) overvåkingsundersøkelser. For eksempel kan resultater<br />
fra overvåking i et enkeltverneområde knyttes til en nasjonal overvåkingsundersøkelse. Det er mulig<br />
fordi prediksjonsmodellen forteller hvor stor del av totalpopulasjonen av den aktuelle naturtypen det<br />
aktuelle verneområdet representerer, for eksempel om det inneholder ’nær optimale’ eller ’marginale’<br />
naturtypefigurer (steder der det i henhold til modellen er mer eller mindre sannsynlig at naturtypen skal<br />
finnes). En slik bruk av modellprediksjoner til å vurdere ulike observasjonsområders representativitet<br />
er en form for etterhåndsstratifisering (poststratifisering), <strong>og</strong> kan være et nyttig redskap for å koble<br />
områdefokusert overvåking (kapittel 2.4) opp mot nasjonal overvåking uten hensyn til om den nasjonale<br />
overvåkingsundersøkelsen er basert på arealrepresentativ, arealtyperepresentativ eller sannsynlighetsbasert<br />
datainnsamling. Dersom observasjonsområder i minst en av undersøkelsene er subjektivt utvalgt (selektiv<br />
76
datainnsamling; se kapittel 5.2.6), er slik sambruk av data fra ulike overvåkingsundersøkelser problematisk.<br />
Sannsynlighetsbasert utvalg åpner mange muligheter for tilpassete datainnsamlingsmetoder, men<br />
er såvidt meg bekjent foreløpig ikke er tatt i bruk i praktisk naturovervåking (i hvert fall ikke i Norge).<br />
Fortsatt finnes imidlertid uløste utfordringer knyttet til estimering <strong>og</strong> beregning av ulike estimatorers<br />
pålitelighet (forventningsavvik <strong>og</strong> varians) i et sannsynlighetsbasert utvalg, hvordan estimatene påvirkes<br />
av spesifikasjonene til det sannsynlighetsbaserte utvalget, indikatorvariabelens fordelingsegenskaper <strong>og</strong><br />
sikkert <strong>og</strong>så andre forhold (se Stevens & Olsen 2000, 2003, 2004, Yoccoz et al. 2001, Dixon et al. 2005 <strong>og</strong><br />
kapitlene 8.3.3 <strong>og</strong> 8.4). Det er behov for dypere innsikt i statistiske forhold relatert til sannsynlighetsbasert<br />
datainnsamling <strong>og</strong> grundig utprøving før tas i bruk i norsk naturovervåking i større omfang.<br />
5.3.5 Gradientbasert datainnsamling<br />
Gradientbasert datainnsamling innebærer innsamling av observasjoner av en indikatorvariabel på<br />
observasjonssteder i et nøstet utvalg med to eller flere nøstingsnivåer, der observasjonsområder <strong>og</strong><br />
observasjonssteder plasseres slik at variasjonen langs viktige økokliner innenfor overvåkingsundersøkelsens<br />
definisjonsområde blir håndtert på en hensiktsmessig måte. Gradientbasert datainnsamling innebærer,<br />
liksom sannsynlighetsbasert datainnsamling, at observasjonsområder (på ett eller flere nøstingsnivåer) <strong>og</strong>/<br />
eller observasjonssteder blir valgt ut ved prestratifisering. Prestratifiseringen tjener imidlertid forskjellige<br />
formål i de to metodene. I sannsynlighetsbasert datainnsamling sørger prestratifiseringen for kontroll<br />
med hvor stor del av populasjonen av potensielle observasjonsområder <strong>og</strong>/eller observasjonssteder<br />
hver enkelt observasjon i utvalget representerer, slik at estimatene for indikatorvariabelegenskaper blir<br />
arealrepresentative. I gradientbasert datainnsamling sørger prestratifiseringen for at observasjonsområder<br />
<strong>og</strong>/eller observasjonssteder utspenner variasjonen langs viktige økokliner, regionale <strong>og</strong>/eller lokale<br />
(jf. kapittel 3.3.3), noe som er helt nødvendig når formålet med overvåkingen er å studere variasjonen<br />
i artssammensetning <strong>og</strong>/eller miljøforhold (<strong>og</strong> endring i variasjonsmønstrene over tid). Dersom<br />
prestratifiseringen gjøres på en måte som samtidig tilfredsstiller de kravene som settes til prestratifiseringen i<br />
sannsynlighetsbasert datainnsamling, kan <strong>og</strong>så observasjoner samlet inn ved gradientbasert datainnsamling<br />
gi grunnlag for arealrepresentative estimater.<br />
Begrepet gradientbasert datainnsamling, slik det er definert her, omfatter en samling<br />
datainnsamlingsmetoder som har det felles at de tar hensyn til variasjonen langs viktige gradienter.<br />
Det ’klassiske’ eksemplet på gradientbasert datainnsamling i Norge er den vegetasjonsøkol<strong>og</strong>iske<br />
fastruteovervåkingen i gran <strong>og</strong> bjørkesk<strong>og</strong> i TOV (T. Økland et al. 2004, Halvorsen et al. 2009c,<br />
Nordbakken et al. 2010). Denne overvåkingsundersøkelsen er en naturtypevis basisovervåking med<br />
hovedformål å overvåke variasjon over tid relatert til påvirkningsfaktorer som hovedsakelig varierer på grov<br />
regional skala (se Tabell 1 i kapittel 2.5 for <strong>begreper</strong> for romlige skalaer), for eksempel langtransporterte<br />
luftforurensninger (nitr<strong>og</strong>en, forsurende komponenter) <strong>og</strong> klimaendringer. Metodikken som blir brukt i<br />
den vegetasjonsøkol<strong>og</strong>iske fastruteovervåkingen i Norge er beskrevet som Det norske konseptet for<br />
vegetasjonsøkol<strong>og</strong>isk intensiv overvåking (Lawesson et al. 2000, T. Økland et al. 2001, 2004, R. Økland et<br />
al. 2004, Halvorsen 2008). Denne metodikken setter gradientbasert datainnsamling i system både i forhold til<br />
variasjon langs lokale <strong>og</strong> langs regionale økokliner. Variasjonen langs de antatt viktige påvirkningsfaktorene<br />
<strong>og</strong> langs regionale økokliner (bioklimatiske soner <strong>og</strong> seksjoner) utspennes ved subjektiv utvelgelse<br />
(stratifisering med hensyn til de aktuelle økoklinene) av observasjonsområder (referanseområder).<br />
Subjektiv utvelgelse gjør det <strong>og</strong>så mulig å sørge for at hvert referanseområde tilfredsstiller et sett av<br />
tilleggskriterier, som for eksempel at området utspenner et visst spekter av variasjon langs viktige lokale<br />
økokliner (markfuktighet, kalkinnhold etc.) <strong>og</strong> at det inneholder minst mulig variasjon i tilstand (suksesjoner)<br />
som skyldes lokale påvirkningsfaktorer (i sk<strong>og</strong>smark er effekter av sk<strong>og</strong>sdrift <strong>og</strong> beiting eksempler på slike<br />
faktorer). Variasjon langs lokale tilstandsøkokliner er uønsket i datamaterialet fordi slik variasjon interfererer<br />
med variasjon langs de fokuserte påvirkningsfaktorene <strong>og</strong> med variasjon langs lokale basisøkokliner. I<br />
mange tilfeller gjør dette at behov for naturovervåking er vanskelig å etterkomme fordi variasjonsmønstrene<br />
er så komplekse <strong>og</strong> kildene til variasjon så mange at det ikke lar sedg gjøre å skille effektene av de ulike<br />
faktorene fra hverandre (eller antallet observasjoner må mangedobles for at pålitelige slutninger skal<br />
kunne trekkes). Den vegetasjonsøkol<strong>og</strong>iske fastruteovervåkingen etter ’Det norske konseptet’ er basert på<br />
et utvalg med to nøstingsnivåer. Øverste nøstingsnivå utgjøres av subjektivt utvalgte referanseområder.<br />
Innenfor hvert referanseområde plasseres først et antall storflater (observasjonsområder på nøstingsnivå<br />
2) subjektivt slik at variasjonen langs åpenbare gradienter (markfuktighet, kalkinnhold etc.) innen området<br />
blir godt representert. Deretter blir et fast antall (gjerne 5) observasjonsenheter (vegetasjonsflater) plassert<br />
tilfeldig innenfor hver storflate for å sikre observatøruavhengighet på fin romlig skala. Gradientbasert<br />
datainnsamling med subjektive valg tilfredsstiller ikke krav i klassiske statistiske tester til at observasjonene<br />
skal være uavhengige, <strong>og</strong> til direkte arealrepresentativ estimering av indikatorvariabelegenskaper.<br />
77
Likevel er det, ved konservativ (’klok’) bruk av statistiske analyse<strong>verktøy</strong>, mulig å trekke allmenngyldige<br />
konklusjoner (generalisere) på grunnlag av observasjoner samlet inn ved denne ’klassiske’ gradientbaserte<br />
datainnsamlingsmetoden (R. Økland 2007). Gradientbasert datainnsamling har i praksis vist seg som<br />
en særdeles følsom metode for tidlig identifisering av små endringer i artssammensetning (R. Økland &<br />
Eilertsen 1996, T. Økland et al. 2004).<br />
Stratifiseringen innenfor referanseområdene skal ikke bare sørge for at sammenliknbar variasjon langs<br />
økoklinene blir fanget opp i de ulike referanseområdene, men har <strong>og</strong>så en annen viktig funksjon. Ekstremer<br />
langs økokliner (ekstreme miljøforhold <strong>og</strong> en artssammensetning som er typisk for økoklinekstremer), for<br />
eksempel flekker med høyt kalkinnhold, høy luftfuktighet eller sterk kildevannstilførsel, dekker ofte svært<br />
små arealandeler innenfor et større landskap (R. Økland 1989b, Moen 1990). Samtidig inneholder ofte slike<br />
’ekstremflekker’ arter med snevre miljøkrav; arter som ikke finnes i landskapet for øvrig <strong>og</strong> derfor er sjeldne<br />
(Gjerde et al. 2004). ’Ekstremflekkene’ kan, men behøver ikke, være spesielt artsrike. Noen kategorier av<br />
’ekstremflekker’, for eksempel flekker med høyt kalkinnhold, kan være hotspots for biol<strong>og</strong>isk mangfold (Du<br />
Rietz 1949, Heikkinen & Neuvonen 1997, Luoto 2000, Gjerde et al. 2004), men det finnes <strong>og</strong>så eksempler<br />
på ’ekstremflekker’ som er spesielt artsfattige (som f.eks. ekstremt tørkeutsatte lavrabber i furudominert<br />
sk<strong>og</strong>smark). Overvåking av artssammensetningen med formål å identifisere endringer tidlig (<strong>og</strong> å generere<br />
hypoteser om årsaker til eventuelle endringer) forutsetter at hele variasjonsbredden langs de viktigste<br />
økoklinene i hvert overvåkingsområde blir inkludert i utvalget. Det er flere grunner til dette. De viktigste er at<br />
en betydelig del av det lokale artsmangfoldet er knyttet til gradientekstremene; at ordinasjonsmetoder bedre<br />
identifiserer gradienter i artssammensetning i datasett med større variasjon (se kapittel 4.1 for forklaring av<br />
ordinasjonsmetoder); <strong>og</strong> at ’lange gradienter’ (artssammensetningsgradienter med stor utskifting av arter fra<br />
den ene enden til den andre) gir et mye bedre grunnlag for å forstå forflytning av observasjonssteder langs<br />
ordinasjonsakser ved analyse av tidsserier av gjentatte artssammensetningsobservasjoner [dette er utdypet,<br />
blant annet, i R. Økland & Eilertsen (1996)]. Dersom overvåkingsundersøkelsen har fokusert på effekter av<br />
spesielle påvirkningsfaktorer, må (i tillegg til kontroll over variasjon langs lokale økokliner) variasjon i grad<br />
av påvirkning fanges opp. Dette kan gjøres ved kontrollert utplassering av observasjonsområder på øverste<br />
eller på lavere nøstingsnivåer, avhengig av på hvilken romlig skala påvirkningsfaktoren varierer.<br />
’Det norske konseptet’ for vegetasjonsøkol<strong>og</strong>isk fastruteovervåking er bare én blant mange måter<br />
å gjennomføre gradientbasert datainnsamling. Som det er redegjort for over, er spesifikasjonene for<br />
gradientbasert datainnsamling i ’Det norske konseptet for vegetasjonsøkol<strong>og</strong>isk intensiv overvåking’,<br />
med subjektiv plassering av storflater innenfor hvert referanseområde for å representere variasjon langs<br />
de viktigste økoklinene, ikke optimale for utvelgelse av overvåkingsområder. Generelle betraktninger<br />
tilsier at subjektivitet om mulig bør unngås i enhver utvelgelsesprosess for å gjøre data bedre egnet for<br />
statistisk analyse (R. Økland 2007). Den subjektive plasseringen av storflater kan derfor ses på som et<br />
surr<strong>og</strong>at for datainnsamling som på samme tid er sannsynlighetsbasert <strong>og</strong> gradientbasert. Ethvert trinn i<br />
gradientbasert datainnsamling bør, om mulig, gjøre bruk av modellbasert prestratifisering. I prinsippet kan<br />
observasjonsområder på begge nøstingsnivåer (i tillegg til observasjonsstedene) plasseres uten bruk av<br />
subjektiv utvelgelse dersom plassering langs alle relevante gradienter lar seg modellere. For eksempel er det<br />
mulig å bruke en digital terrengmodell eller annen arealdekkende miljøinformasjon (f.eks. informasjon avledet<br />
fra berggrunns <strong>og</strong> kvartærgeol<strong>og</strong>iske kart) til å modellere variasjonen langs viktige lokale basisøkokliner.<br />
Slike modeller kan så i sin tur brukes til prestratifisering av potensielle observasjonsområder på nøstingsnivå<br />
2 (storflater) innenfor referanseområder eller til å plassere observasjonssteder (vegetasjonsflater) direkte<br />
uten å involvere et andre nøstingsnivå. Hvis gradientbasert datainnsamling gjøres på denne måten, er det<br />
mulig på samme tid å fange opp variasjon langs lokale økokliner <strong>og</strong> sørge for at observasjonsstedene er<br />
uavhengige.<br />
Da vegetasjonsøkol<strong>og</strong>isk fastruteovervåking startet opp i Norge i 1988 fantes verken arealdekkende<br />
prediktorvariabler, ge<strong>og</strong>rafiske informasjonssystemer som kunne håndtere store datamengder eller egnete<br />
metoder for prediksjonsmodellering. Subjektiv utvelgelse av observasjonsområder på to nøstingsnivåer<br />
var derfor eneste tilgjengelige metode for gradientbasert datainnsamling. Grunnlagsundersøkelsene viser<br />
imidlertid at det nå finnes prediksjonsmodelleringsmetoder, til dels <strong>og</strong>så prediktorvariabelsett, som kan gjøre<br />
modellering av naturfenomener mulig helt ned til gridceller (kornstørrelser) med sidekant 25 m (III, V) eller<br />
end<strong>og</strong> 10 m (IV) eller 5 m (VII). Ved igangsetting av ny overvåking med gradientbasert datainnsamling bør<br />
derfor modellbasert stratifisering seriøst vurderes i hvert enkelt tilfelle. Da kan det vise seg at det fortsatt<br />
finnes tungtveiende argumenter for subjektivt utvalg på ett eller flere av nøstingsnivåene. Slike argumenter<br />
kan være at utarbeidelse av prediksjonsmodell(er) som er gode nok til å egne seg for stratifisering <strong>og</strong><br />
utvelgelse av observasjonsområder eller observasjonssteder innenfor referanseområder krever en<br />
uforholdsmessig stor arbeidsinnsats, for eksempel fordi egnete arealdekkende prediktorvariabler ikke finnes<br />
ennå. Dessuten kan prediksjonsmodellene vise seg ikke å være gode nok til at et modellbasert utvalg av<br />
observasjonsområder eller observasjonssteder representerer variasjonen innenfor referanseområdet godt<br />
78
nok. Dette er argumenter som taler for fortsatt subjektiv utvelgelse av observasjonsområder på nøstingsnivå<br />
2 i et gradientbasert utvalg.<br />
I TOVpr<strong>og</strong>rammet inngår vegetasjonsøkol<strong>og</strong>isk fastruteovervåking som én viktig del i en integrert plan<br />
for detaljerte langtidsstudier i referanseområder. Innsamling av data for andre økosystemkomponenter<br />
enn markvegetasjonen blir gjort på måter som ikke i samme grad eksplisitt tar hensyn til (<strong>og</strong> kontrollerer<br />
for) variasjonen langs lokale økokliner, men må likevel regnes som gradientbasert datainnsamling fordi<br />
de har intensjon om å representere variasjonen innenfor hvert referanseområde på en måte som kan<br />
sammenliknes mellom områder. Typiske eksempler på dette er bruken av subjektivt plasserte takseringslinjer<br />
for undersøkelser av spurvefugl (Kålås 2010) <strong>og</strong> subjektivt plasserte felter med prøvetrær for undersøkelser<br />
av epifyttiske lav (Bruteig 2008). I begge disse tilfellene er observasjonsområder plassert slik at de skal<br />
representere variasjonen i referanseområdet på en måte som er sammenliknbar mellom områdene.<br />
At ikke lokale økoklinal variasjon blir eksplisitt adressert i disse undersøkelsene, kan skyldes at ingen<br />
lokale økokliner har betydning for variasjonen i artssammensetning, enten fordi organismene forholder<br />
seg til miljøvariasjon på en grovere romlig skala (fugl) eller fordi de viktige lokale basisøkoklinene virker<br />
på en mye finere romlig skala (for epifyttiske lav: innen trær). Subjektivt plasserte transekter (linjer) akn<br />
<strong>og</strong>så være et alternativ til storruter som observasjonsområder på nøstingsnivå 2 i vegetasjonsøkol<strong>og</strong>isk<br />
fastruteovervåking, jf. datainnsamlingsmetoden som er brukt i vegetasjonsovervåkingsområdet Solhomfjell<br />
(R. Økland & Eilertsen 1993).<br />
Det er klare fellestrekk mellom gradientbasert datainnsamling <strong>og</strong> sannsynlighetsbasert datainnsamling,<br />
blant annet forutsetter begge utvalgsmetodene prestratifisering på ett eller flere nivåer i en nøstet<br />
datainnsamling. Drøftingen ovenfor viser at romlig prediksjonsmodellering kan være velegnet for de kritiske<br />
prestratifiseringstrinnene <strong>og</strong>så i gradientbasert datainnsamling.<br />
5.3.6 Selektiv datainnsamling<br />
Selektiv datainnsamling innebærer innsamling av observasjoner av en indikatorvariabel på subjektivt utvalgte<br />
observasjonssteder (sentinel sites; Yoccoz et al. 2001). Det klassiske eksemplet på selektiv datainnsamling<br />
er gjentatt registrering alle (eller et subjektivt utvalg av) kjente artsforekomster eller naturtypefigurer av gitt<br />
kategori (art eller naturtype) innenfor et definisjonsområde.<br />
MiSkartlegging av sk<strong>og</strong>, den kommunale naturtypekartleggingen etter DNs håndbøker 13 <strong>og</strong> 19 (Anonym<br />
2007a, 2007b) <strong>og</strong> ’floravokting’ i regi av SABIMA; http://www.nhm.uio.no/botanisk/nbf/floravokter/index.<br />
htm) er eksempler på kartleggings <strong>og</strong> overvåkingsaktiviteter som er basert på selektiv datainnsamling. Slik<br />
overvåking skal først <strong>og</strong> fremst fylle behovet for stedfestet naturinformasjon til bruk i praktisk arealforvaltning<br />
(se kapittel 5.1).<br />
Observasjoner fra selektiv datainnsmaling gir ikke grunnlag for å trekke statistiske slutninger i egentlig<br />
forstand fordi ingen av forutsetningene for klassisk statistisk testing (uavhengighet <strong>og</strong> representativitet av<br />
observasjoner) er oppfylt (jf. R. Økland 2007). Ved analyse av selektivt innsamlete observasjoner er det<br />
særlig viktig å være seg bevisst at datainnsamlingsmetoden overrepresenterer observasjonssteder der<br />
indikatorvariabelen fantes da undersøkelsen startet opp; utvalget av observasjonsenheter består jo av<br />
artsforekomster eller naturtypefigurer som var kjent ved oppstart. Forventet utvikling i et selektivt utvalg av<br />
observasjoner for en indikator med naturlig dynamikk, men uten systematisk endring i mengde etc. over tid,<br />
er ikke ’ingen endring’, men en (mer eller mindre sterk) negativ utvikling (Crawley 1990). Dette skyldes til<br />
dels at utvalget typisk inkluderer observasjonssteder der indikatoren finnes i stor mengde <strong>og</strong> god tilstand,<br />
mens potensielle observasjonssteder der mengden/tilstanden er dårligere mangler i utvalget fordi de har<br />
mindre sannsynlighet for å bli oppdaget. Selektiv datainnsamling er dessuten ikke laget for å fange opp<br />
nykolonisering i samme grad som lokal utdøen; rutinemessig, aktivt søk etter nye lokaliteter inngår vanligvis<br />
ikke i denne metodikken.<br />
5.3.7 Spesialutvalg<br />
Spesialutvalg er et samlebegrep for metoder for innsamling av observasjoner av en indikatorvariabel som<br />
ikke faller inn under noen av utvalgsmetodene 1–5 ovenfor. Enhver utvalgsmetode tilrettelagt for bruk i<br />
eksperimentelle effektstudier (for eksempel faktorielle eller andre forsøksdesign, tilrettelagt for eksperimentell<br />
uttesting av ulike skjøtselsregimer) er et spesialutvalg i henhold til definisjonene i denne rapporten (kapittel<br />
2.2). Effektstudier forutsetter spesialutvalg som optimaliserer kvaliteten på statistisk baserte slutninger<br />
(Yoccoz et al. 2001, Nichols & Williams 2006).<br />
79
Tabell 8. Datainnsamlingsmetoder i naturovervåking (se kapittel 5.3.1 for definisjoner <strong>og</strong> kapitlene 5.3.2–7<br />
for utfyllende beskrivelse): sammenheng med hovedtilnærmingsmåter til naturovervåking <strong>og</strong> egnethet for å<br />
fylle ulike kunnskapsbehov (se kapittel 5.1 for forklaring). Hovedtilnærmingsmåter: Basis = Basisovervåking;<br />
Effekt = Effektstudier. Kunnskapsbehov: SNI = behov for stedfestet naturinformasjon; KKSE = behov<br />
for kvalitetssikret kunnskap om status <strong>og</strong>/eller endringer for naturfenomener (naturtyper <strong>og</strong> arter) som<br />
det knytter seg spesiell forvaltningsinteresse til; IKØ = behov for dyp innsikt i komplekse økosystemers<br />
struktur, funksjon <strong>og</strong> dynamikk; USF = behov for uttesting av spesifikke forvaltningstiltak; EM = evaluering<br />
av måloppnåelse. +++ = svært relevant; ++ = relevant; + = kan være relevant i spesielle tilfeller; – = ikke<br />
relevant.<br />
Datainnsamlingsmetode Hovedtilnærmingsmåte Kunnskapsbehov<br />
5.4 Sammenhenger mellom datainnsamlingsmetode <strong>og</strong> kunnskapsbehov,<br />
statistiske slutninger <strong>og</strong> egenskaper ved indikatorer <strong>og</strong> indikatorvariabler<br />
5.4.1 Kunnskapbehov<br />
De fem datainnsamlingsmetodene som er beskrevet i kapitlene 5.3.2–6 er først <strong>og</strong> fremst egnet til<br />
innsamling av basisovervåkingsdata mens effektstudier ofte krever spesialutvalg (kapittel 5.3.7); se Tabell 8.<br />
Basisovervåking innebærer innsamling <strong>og</strong> analyse av tidsserier av data, det vil si en induktiv vitenskapelig<br />
tilnærming, mens effektstudier ideelt sett er eksperimentelle undersøkelser rettet mot testing av spesifikke<br />
hypoteser (kapittel 5.1). Datainnsamlingsmetoden, det vil si det eksperimentelle designet, må tilpasses<br />
hypotesen som skal testes, det aktuelle økosystemet <strong>og</strong> den aktuelle indikatoren/indikatorvariabelen. I<br />
enkelttilfeller (når eksisterende data kan brukes til å teste den aktuelle hypotesen) kan data samlet inn med<br />
areal(type)representativ eller sannsynlighetsbasert metode brukes til å teste svake hypoteser om effekter av<br />
spesifikke påvirkningsfaktorer (se kapittel 5.1). I spesialtilfeller vil dette <strong>og</strong>så kunne gjelde data samlet inn<br />
med arealdekkende eller gradientbasert metode.<br />
Det ligger i sakens natur at de datainnsamlingsmetodene som gir grunnlag for arealrepresentativ<br />
estimering av indikatorvariabelegenskaper (det vil si arealdekkende, areal(type)representativ <strong>og</strong><br />
sannsynlighetsbasert datainnsamling) er spesielt godt egnet for å fylle behovet for kvalitetssikret<br />
kunnskap om status <strong>og</strong>/eller endringer for naturfenomener (naturtyper <strong>og</strong> arter) som det knytter seg<br />
spesiell forvaltningsinteresse til. Men når overvåkingen er motivert av behov for dyp innsikt i komplekse<br />
økosystemers struktur, funksjon <strong>og</strong> dynamikk <strong>og</strong> det er behov for informasjon om endringer for mange arter,<br />
er gradientbasert datainnsamling den eneste metoden som kan fylle behovet. Selektiv datainnsamling fyller<br />
behov for stedfestet naturinformasjon, <strong>og</strong> er derfor først <strong>og</strong> fremst relevant for naturkartlegging. Uttesting<br />
av spesifikke forvaltningstilak er et behov som i utgangspunktet bare kan fylles ved effektstudier, <strong>og</strong> krever<br />
derfor vanligvis spesialutvalg (kapittel 5.3.7).<br />
Databehovet ved evaluering av måloppnåelse vil variere sterkt <strong>og</strong> er avhengig av hvilket mål som skal<br />
evalueres, hvilken presisjon det er ønsket av evalueringen skal ha, hvilket økosystem det er tale om,<br />
hvilke indikatorvariabler som skal brukes, etc. Alle de fem datainnsamlingsmetodene samt spesialutvalg<br />
kan være aktuelle. Planlegging av overvåking for evaluering av måloppnåelse krever at alle forhold<br />
med relevans for metodevalg blir grundig belyst. De generelle vurderingene av sammenhenger mellom<br />
datainnsamlingsmetode, statistiske slutninger <strong>og</strong> egenskaper ved indikatorer <strong>og</strong> indikatorvariabler i kapitlene<br />
5.4 <strong>og</strong> 5.5 gjelder <strong>og</strong>så for evaluering av måloppnåelse, som ofte vil ha karakter av områdefokusert<br />
overvåking (se kapittel 2.4).<br />
80<br />
Basis Effekt SNI KKSE IKØ USF EM<br />
Arealdekkende +++ + + +++ – + ++<br />
Areal(type)representativ +++ ++ – +++ – + +<br />
Sannsynlighetsbasert +++ ++ ++ +++ – + +<br />
Gradientbasert +++ + – ++ +++ + +<br />
Selektiv +++ – +++ – + – +<br />
Spesialutvalg – +++ – ++ ++ +++ +
Fig. 16. Erkjennelsesprosessen som leder fram til en statistisk slutning på grunnlag av analyse av<br />
overvåkingsdata.<br />
5.4.2 Statistiske slutninger<br />
Det aller meste av pågående naturmangfoldovervåking har til hensikt å framskaffe allmenngyldig<br />
(generalisert) kunnskap om indikatorer, det vil si kunnskap med gyldighet for hele overvåkingens<br />
definisjonsområde. Generalisert kunnskap er hjørnesteinen i kunnskapsbasert naturforvaltning.<br />
Rødlistevurdering er én blant mange forvaltningsrelevante utredningsoppgaver som forutsetter<br />
generalisert kunnskap. Kravet til generaliserbarhet av overvåkingsresultater for et størst mulig spekter<br />
av naturegenskaper (arter, naturtyper, miljøegenskaper) har nylig blitt ytterligere aktualisert av den nye<br />
naturindeksen for Norge (Nybø et al. 2008, Anonym 2010).<br />
Kunnskap med generell gyldighet er resultatet av en erkjennelsesprosess som starter med<br />
datainnsamling (utvalgsmetode <strong>og</strong> registreringsmetode), fortsetter med dataanalyse <strong>og</strong> ender med at det<br />
trekkes statistiske slutninger (kapittel 2.4). Deler av denne erkjennelsesprosessen er kommentert andre<br />
steder i denne rapporten; behovet for å gjøre et utvalg av observasjoner fra en populasjon i kapittel 2.3;<br />
metoder for datainnsamling i kapittel 5.3; hovedtilnærmingsmåter til analyse av data (induktiv kontra<br />
hypotetiskdeduktiv metode, basisovervåking kontra effektstudier) i kapitlene 5.1 <strong>og</strong> 5.4.1; <strong>og</strong> forskjellen<br />
mellom modell <strong>og</strong> designbaserte slutninger <strong>og</strong> ulike grader av pålitelighet i en designbasert slutning (skillet<br />
mellom sterke <strong>og</strong> svake slutninger, strong inference <strong>og</strong> weak inference) i kapitlene 5.1 <strong>og</strong> 5.2.<br />
I dette kapitlet drøftes sammenhenger mellom datainnsamlingsmetoder <strong>og</strong> statistiske slutninger. Fig 16<br />
viser at en statistisk slutnings pålitelighet influeres av to typer av feil, systematiske feil (bias) <strong>og</strong> tilfeldige<br />
feil (error), <strong>og</strong> at begge typene av feil kan forekomme både i registreringsfasen <strong>og</strong> i analysefasen av en<br />
overvåkingsundersøkelse. I tillegg kommer oppdagbarhetsfeil som er grundig drøftet i kapittel 5.1. Et<br />
eksempel på en systematisk feil i registreringsfasen er en art som ikke blir registrert som til stede fordi<br />
observatøren ikke klarer å skille den fra en nærstående art (<strong>og</strong> heller ikke samler materiale for identifisering<br />
i laboratoriet). Et eksempel på tilfeldig registreringsfeil er usikkerhet ved angivelse av prosentvis dekning av<br />
en karplanteart i en vegetasjonsflate. Systematiske modellfeil kan skyldes at utvalget av observasjoner ikke<br />
er representativt for populasjonen de er trukket fra, for eksempel på grunn av systematiske feil i den romlige<br />
prediksjonsmodellen som er brukt til sannsynlighetsbasert utvalg av observasjonssteder. Tilfeldig variasjon er<br />
en samlebetegnelse på variasjon i en responsvariabel som ikke kan ’forklares’ av prediktorvariabler.<br />
Hvor pålitelig vår kunnskap om naturen er, bestemmes av de enkeltfaktorene som påvirker de(n)<br />
81
Tabell 9. Sammenhenger mellom datainnsamlingsmetode, <strong>og</strong> type av statistisk slutning, grunnlaget for<br />
slutningen <strong>og</strong> viktige slutningsfeil. Med ’slutningsmodell’ menes den modellen som ligger til grunn for en<br />
modellbasert slutning (se kapittel 5.2). Øvrige <strong>begreper</strong> er forklart i teksten.<br />
Datainnsamlingsmetode Type av slutning Grunnlaget for slutning Viktige slutningsfeil<br />
Arealdekkende designbasert, weak<br />
inference, eller<br />
modellbasert<br />
Arealrepresentativ designbasert, weak<br />
inference<br />
Arealtyperepresentativ tilnærmet designbasert<br />
Sannsynlighetsbasert en blanding av<br />
designbasert <strong>og</strong><br />
modellbasert<br />
Gradientbasert modellbasert, eller<br />
en blanding av<br />
designbasert <strong>og</strong><br />
modellbasert<br />
statistiske slutningen(e) denne kunnskapen er basert på. Rekkefølgen av datainnsamlingsmetodene<br />
fra 1 (arealdekkende datainnsamling) til 5 (selektiv datainnsamling) i kapittel 5.3.1 er ikke tilfeldig, men<br />
representerer en rangering etter avtakende pålitelighet på de statistiske slutningene de gir grunnlag for.<br />
Tabell 9 oppsummerer sammenhengene mellom datainnsamlingsmetoder <strong>og</strong> statistiske slutninger:<br />
• Arealdekkende datainnsamling kan gi grunnlag for tallfesting av egenskaper for hele populasjonen av<br />
en indikator ved direkte observasjon av indikatorvariabler. Tall basert på direkte observasjon er ikke<br />
i utgangspunktet beheftet med slutningsfeil, men deres presisjon avhenger naturligvis av eventuelle<br />
registreringsfeil. Slutninger basert på observasjoner gjort med arealdekkende datainnsamlingsmetode<br />
kan i noen tilfeller være modellbaserte. Totalregistrering av bjørn i Norge er et eksempel på<br />
arealdekkende datainnsamling. En slutning om antallet bjørneindivider i Norge på et gitt tidspunkt på<br />
grunnlag av en slik totalregistrering vil imidlertid være en modellbasert slutning dersom det er ikke er<br />
grunn til å tro at alle bjørner er oppdaget, <strong>og</strong> det må gjøres antakelser om oppdagbarheten for bjørn.<br />
Dersom det ikke er grunnlag for å gjøre slike antakelser gir materialet heller ikke grunnlag for å trekke<br />
statistiske slutninger. Datamaterialet vil i så fall være å betrakte som selektivt innsamlet.<br />
• Arealrepresentativ datainnsamling gir direkte arealrepresentative estimater for egenskaper ved en<br />
indikator med høy eller kjent oppdagbarhet på grunnlag av observasjoner av en indikatorvariabel<br />
(for eksempel for stående kubikkmasse av gran i norsk sk<strong>og</strong> på grunnlag av observasjoner i<br />
Landssk<strong>og</strong>takseringens flateutvalg). Dette er en klassisk designbasert slutning. Arealtyperepresentativ<br />
datainnsamling gir <strong>og</strong>så direkte arealrepresentative estimater dersom kriteriene for å identifisere<br />
naturtypen er entydige. Med økende usikkerhet i identifisering av naturtypen får slutningen mer <strong>og</strong> mer<br />
preg av å være modellbasert (se grunnlagsundersøkelse VI).<br />
• Sannsynlighetsbasert datainnsamling gir sannsynlighetsbasert arealrepresentativt estimat for<br />
egenskaper ved en indikator med høy eller kjent oppdagbarhet på grunnlag av observasjoner av en<br />
82<br />
eksakt tallfesting direkte<br />
fra observasjonene<br />
direkte arealrepresentativt<br />
estimat<br />
arealtyperepresentativt<br />
estimat<br />
sannsynlighetsbasert<br />
arealrepresentativt estimat<br />
drøfting på grunnlag av<br />
statistiske analyser<br />
Selektiv ekspertvurdering ekspertvurdering (drøfting)<br />
av data<br />
Spesialutvalg avhengig av<br />
utvalgsmetode,<br />
men mulighet for<br />
strong inference<br />
avhengig av<br />
utvalgsmetode<br />
ingen, eller ved<br />
modellbasert slutning<br />
bias i ’slutningsmodell’<br />
error<br />
error + bias (i<br />
utvalgskriterier)<br />
error + bias (i romlig<br />
prediksjonsmodell <strong>og</strong><br />
utvalgskriterier)<br />
subjektivitet i utvalg<br />
<strong>og</strong> bias i ’slutningsmodell’<br />
åpen for mange typer<br />
kritikk<br />
avhengig av<br />
utvalgsmetode
Utvalgsmetode<br />
Organisasjonsnivå<br />
indikatorvariabel (for eksempel estimat for totalareal av en gitt naturtype i Norge basert på observasjoner<br />
gjort på observasjonssteder valgt ut på grunnlag av en evaluert romlig prediksjonsmodell). Dette er en<br />
blanding av en designbasert <strong>og</strong> en modellbasert slutning. Slutningen ville vært designbasert dersom<br />
den romlige prediksjonsmodellen som ligger til grunn for det sannsynlighetsbaserte utvalget hadde vært<br />
perfekt, men en slik forutsetning vil aldri fullt ut kunne oppfylles.<br />
• Gradientbasert datainnsamling gir grunnlag for generalisering gjennom drøfting av resultater av statistisk<br />
analyse eller mer uformelt på grunnlag av vurdering av data (for eksempel slutninger om endring i<br />
artssammensetning i barsk<strong>og</strong> i Norge på grunnlag av registreringer av artssammensetning i fastruter<br />
plassert med gradientbasert datainnsamlingsmetodikk i et subjektivt utvalg av referanseområder). Slik<br />
drøfting leder til en slutning som er mer eller mindre utpreget modellbasert, avhengig av hvor eksplisitt<br />
forståelse av gradientrelasjoner som ligger til grunn for utvelgelsen av referanseområdene, eventuelle<br />
observasjonsområder innenfor referanseområdene <strong>og</strong> av observasjonsstedene. I utgangspunktet gir<br />
ikke gradientbasert datainnsamling arealrepresentative estimater, men jo bedre modeller som ligger<br />
til grunn for utvalg på de ulike nøstingsnivåene, desto nærmere kommer man et sannsynlighetsbasert<br />
arealrepresentativt estimat <strong>og</strong> en designbasert slutning.<br />
• Selektiv datainnsamling gir grunnlag for generalisering gjennom drøfting (for eksempel slutninger<br />
om endringer i totalbestanden av en truet planteart på grunnlag av årlige registreringer av<br />
populasjonsstørrelse på alle kjente forekomster, når det ikke er kjent hvor stor andel av<br />
totalpopulasjonen i landet de kjente forekomstene representerer).<br />
Begrepet ekspertvurdering brukes om drøfting av mønstre som ikke er basert på statistisk analyse av data.<br />
Ekspertvurdering kan være basert på empiriske data (gjerne selektivt innsamlet) eller gjøres uten referanse<br />
til data.<br />
5.4.3 Egenskaper ved indikatorer <strong>og</strong> indikatorvariabler<br />
Populasjon Samfunn Naturtype<br />
(økosystem)<br />
Landskapsegenskaper<br />
1 Arealdekkende EK, TV AD AS TM*<br />
2 Areal(type)representativ EK, TV AD, TN AS TM<br />
3 Sannsynlighetsbasert EK, TV SK SK, AD, TN TM<br />
4 Gradientbasert EK, TV SK SK, AD, TN TM<br />
5 Selektiv EK, TV SK SK, AD, TN AS TM<br />
Miljøegenskaper<br />
6 Spesialutvalg indikatorvariablenes egnethet er avhengig av undersøkelsens formål<br />
Fig. 17. Ulike kategorier av indikatorvariabler: relevans for ulike organisasjonsnivåer <strong>og</strong> egnethet for ulike<br />
utvalgsmetoder. Kategorier av indikatorvariabler: EK = enkle komposisjonsvariabler, SK = sammensatte<br />
komposisjonsvariabler, AD = arealdekkevariabler, AS = arealstrukturvariabler, T = tilstandsvariabler (TN =<br />
naturtypetilstand, TV = vitalitet, TM = miljøtilstand). Grå ruter er uaktuelle kombinasjoner, indikatorvariabler<br />
som utvalgsmetoden er optimalt for er angitt med rød skrift, mens grå skrift indikerer at utvalgsmetoden er<br />
suboptimalt. *angir arealdekkende datainnsamling ved hjelp av fjernmålingsmetodikk.<br />
Hvor godt en datainnsamlingsmetode egner seg for overvåking av en spesifikk indikator eller<br />
indikatorvariabel, bestemmes av egenskaper ved indikatoren (utbredelse i rom <strong>og</strong> tid, inkludert<br />
oppdagbarhet) <strong>og</strong> egenskaper ved indikatorvariabelen (hvilken type egenskap ved indikatoren den gir uttrykk<br />
for <strong>og</strong> hvilke statistiske egenskaper, f.eks. fordelingsegenskaper, den har). I kapittel 2.1 ble indikatorer<br />
delt inn i kategorier på to ulike måter; på grunnlag av om de adresserer biol<strong>og</strong>isk mangfold direkte eller<br />
indirekte <strong>og</strong> på grunnlag av organisasjonsnivå. Indikatorvariabler ble <strong>og</strong>så delt inn i kategorier på to ulike<br />
måter; tre kategorier på grunnlag av type egenskap de gir uttrykk for <strong>og</strong> fem kategorier på grunnlag av en<br />
kombinasjon av egenskap <strong>og</strong> hvilke(n) metode(r) som egner seg for å samle informasjon om dem. Den<br />
sistnevnte inndelingen, i kategoriene enkle komposisjonsvariabler, sammensatte komposisjonsvariabler,<br />
83
Fig. 18. Sammenhengen mellom indikatoregenskaper (prevalens <strong>og</strong> predikerbarhet) <strong>og</strong> egnet<br />
samplingdesign. Indikatorer det ikke finnes romlig prediksjonsmodell for, plasserer seg langs den røde<br />
skrålinjen.<br />
arealdekkevariabler, arealstrukturvariabler <strong>og</strong> tilstandsvariabler, er motivert av at det er klare sammenhenger<br />
mellom indikatorvariabelegenskaper <strong>og</strong> egnet datainnsamlingsmetode. Fig. 17 oppsummerer<br />
hensiktsmessige kombinasjoner av indikator <strong>og</strong> indikatorvariabeltyper <strong>og</strong> datainnsamlingsmetode.<br />
Gradientbasert datainnsamling (eksemplifisert ved fastruteovervåking etter ’Det norske konseptet for<br />
vegetasjonsøkol<strong>og</strong>isk intensiv overvåking’; se kapittel 5.3.5) er en optimal datainnsamlingsmetode for<br />
sammensatte komposisjonsvariabler (artssammensetning, artsantall) fordi denne datainnsamlingsmetoden<br />
(som den eneste) gjør det mulig å ’filtrere ut’ et svakt signal om endring i artssammensetningen fra et<br />
mylder av variasjon langs regionale <strong>og</strong> lokale økokliner uten interesse for overvåkingsformålet (samt fra<br />
tilstandsvariasjon uten relevans for overvåkingsformålet). ’Filtreringen’ skjer dels ved at referanseområder<br />
stratifiseres langs regionale gradienter, dels ved at observasjonsområder <strong>og</strong>/eller observasjonssteder<br />
stratifiseres langs lokale gradienter innenfor hvert referanseområde <strong>og</strong> dels ved at overvåkingen begrenses<br />
til én eller flere naturtyper som utspenner den samme variasjonsbredden langs lokale gradienter i<br />
hvert referanseområde. Gradientbasert datainnsamling gir altså ’kontroll på’ variasjonen langs lokale<br />
basisøkokliner <strong>og</strong> mulighet for å identifisere to ulike mønstre av endring i artssammensetning; endringer<br />
med ’retning’ langs de viktigste lokale økoklinene (som blir identifisert ved ordinasjonsanalyse; se kapittel<br />
4.1) <strong>og</strong> endringer som er uavhengig av viktige økokliner (R. Økland & Eilertsen 1996, T. Økland et al.<br />
2004). Observasjoner fra arealrepresentativ datainnsamling er vanligvis ikke egnet for identifisering av små<br />
endringer i artssammensetning (på grunn av manglende mulighet til å ’filtrere’ variasjon), men kan være<br />
egnet til å identifisere endringer i artsrikdom eller store endringer i artsdsammensetning, som for eksempel<br />
langs tilstandsøkokliner. For eksempel kan totalregistrering av artssammensetningen i naturtypefigurer<br />
av slåttemark (i et arealrepresentativt eller sannsynlighetsbasert utvalg av observasjonsenheter) gi nyttig<br />
informasjon om store trekk i endringer i artsrikdom forårsaket av endringer i gjengroingstilstand.<br />
Den egenskapen ved indikatorer <strong>og</strong> indikatorvariabler som sterkest styrer hvilke(n)<br />
datainnsamlingsmetode(r) som er egnet, er indikatorens prevalens [andelen av potensielle<br />
observasjonenheter (gridruter) der indikatoren faktisk er til stede]. Årsaken til at prevalensen er så<br />
viktig er at den bestemmer effektiviteten til en overvåkingsundersøkelse, definert som presisjonen på<br />
estimatene for viktige indikatorvariabelegenskaper [Yoccoz et al. (2001); se kapittel 5.2]: standardavviket<br />
for et estimat for middelverdien (standardfeilen) til en variabel er omvendt proporsjonal med kvadratroten<br />
84
Fig. 19. Sammenhengen mellom prevalens <strong>og</strong> predikerbarhet for fire arter <strong>og</strong> to naturtyper som det<br />
foreligger romlige prediksjonsmodeller for fra Norge (data fra Tabell 7). De tre ringene for hvert av<br />
de seks naturfenomenene viser prevalens (åpen ring langs den røde skrålinjen), omtrentlig optimalt<br />
representasjonsforhold (s ≈ 1; jf. kapittel 5.3.4, vist med fylt ring) io sannsynlighetsbasert datainnsamling <strong>og</strong><br />
maksimal overrepresentasjon modellen gjør mulig. Sammenhengen mellom indikatoregenskaper (prevalens<br />
<strong>og</strong> predikerbarhet) <strong>og</strong> egnet samplingdesign er vist som bakgrunn i figuren (se Fig. 18). Fiolett = griseblad<br />
(Scorzonera humilis) i SØ Østfold (grunnlagsundersøkelse III); grønn = kulturmarkseng i Oppdal (Sør<br />
Trøndelag), modell NaS P100, evaluert med E100 (IV); oransje = eik (Quercus spp.) i SØ Norge (V); blå =<br />
åpen grunnlendt kalkmark i indre Oslofjord (VI); gul = parkslirekne (Fallopia japonica) i Hordaland <strong>og</strong> S<strong>og</strong>n<br />
<strong>og</strong> Fjordane; blygrå = hagelupin (Lupinus polyphyllus) i Hordaland <strong>og</strong> S<strong>og</strong>n <strong>og</strong> Fjordane.<br />
av antallet observasjoner (som redegjort for i kapittel 2.4). Det trengs altså en firedobling av antallet<br />
(tilstedeværelses)observasjoner for å halvere standardavviket til middelverdiestimatet. Dette har<br />
store ressursmessige konsekvenser: med avtakende prevalens øker raskt kostnadene for å kunne<br />
trekke en pålitelig statistisk slutning. Rekka av de fire datainnsamlingsmetodene fra arealrepresentativ<br />
datainnsamling via arealtyperepresentativ datainnsamling <strong>og</strong> sannsynlighetsbasert datainnsamling til selektiv<br />
datainnsamling representerer spennvidden fra fullstendig tilfeldig/systematisk utvalg hvor hver indikator<br />
blir representert i forhold til sin prevalens (arealrepresentativ datainnsamling) til et utvalg hvor andelen<br />
tilstedeværelsesobservasjoner er fullstendig kontrollert av observatøren. Langs denne rekka betales en<br />
stadig høyere pris for arealrepresentative estimater for indikatorer med lav prevalens i form av økende<br />
risiko for slutningsfeil; ved arealtyperepresentativ datainnsamling på grunn av usikkerhet ved identifikasjon<br />
av den aktuelle naturtypen, ved sannsynlighetsbasert datainnsamling i tillegg på grunn av systematiske<br />
feil i den romlige prediksjonsmodellen. Arealtyperepresentativ datainnsamling <strong>og</strong> sannsynlighetsbasert<br />
datainnsamling kan ses på som substitutter for arealrepresentativ datainnsamling der mer <strong>og</strong> mer sofistikerte<br />
metoder tas i bruk for å øke andelen tilstedeværelsesobservasjoner uten å ty til subjektive valg <strong>og</strong> uten å<br />
ødelegge estimatenes arealrepresentativitet.<br />
Sammenhenger mellom indikatorens prevalens <strong>og</strong> foretrukne datainnsamlingsmetoder er illustrert i Fig.<br />
18. ’Gråsonene’ i figuren reflekterer at det ikke er mulig å trekke absolutte grenser på grunnlag av prevalens<br />
<strong>og</strong> predikerbarhet alene; drøftingene i kapitlene 5.4.1–3 viser at mange andre faktorer <strong>og</strong>så spiller inn.<br />
Hvor akutt behovet for kunnskap om en gitt indikator er, vil for eksempel langt på veg bestemme hvor store<br />
ressurser det vil være vilje til å investere. Som en grov generalisering har jeg antydet en smertegrense<br />
for iverksettelse av arealrepresentativ datainnsamling ved prevalens i området mellom 0,02 <strong>og</strong> 0,1 (det vil<br />
85
si at indikatoren er til stede i mellom 2 <strong>og</strong> 10 % av potensielle observasjonssteder). Dersom en relevant<br />
indikatorvariabel kan observeres i et eksisterende arealrepresentativt nettverk der observasjonsstedene<br />
uansett oppsøkes i fast omdrev, for eksempel Landssk<strong>og</strong>takseringsnettverket, reduseres kostnadene <strong>og</strong><br />
kravet til prevalens senkes. Da kan arealrepresentativ datainnsamling <strong>og</strong>så være aktuelt for indikatorer<br />
med lavere prevalens enn 0,02. Fig. 18 viser at arealtyperepresentativ datainnsamling forutsetter at<br />
tilstedeværelse av indikatoren med mer eller mindre fullstendig presisjon kan predikeres på grunnlag av lett<br />
etterprøvbare kriterier (se kapittel 5.3.3).<br />
Fig. 18 viser at sannsynlighetsbasert datainnsamling er eneste mulige veg til generelisert kunnskap<br />
om indikatorer (naturtyper <strong>og</strong> arter) med prevalens i det store intervallet 0,00001–0,02. Det er grunn til å<br />
anta, uten at det foreligger mye eksakte data til å underbygge dette, at et stort flertall av naturtyper <strong>og</strong> arter<br />
som det knytter seg spesiell forvaltningsmessig interesse til hører hjemme i dette intervallet. Dette har som<br />
direkte konsekvens at gode romlige prediksjonsmodeller er en forutsetning for mye av den generaliserte<br />
kunnskapen norsk naturforvaltning etterspør. De case studies med romlig prediksjonsmodellering fra Norge<br />
som blir omtalt i denne rapporten (se Tabell 7 <strong>og</strong> grunnlagsundersøkelsene III–VI) gir imidlertid grunn til<br />
optimisme med hensyn til muligheten for generalisert kunnskap om sjeldne naturmangfoldindikatorer.<br />
Predikerbarheten for de fire artene <strong>og</strong> to naturtypene (se Fig. 19) er så god at sannsynlighetsbasert<br />
datainnsamling med et representasjonsforhold som er optimalt for gode arealrepresentative estimater<br />
(kapittel 5.3.4) klart er mulig for tre, mens de øvrige tre befinner seg i gråsonen.<br />
Grunnlagsundersøkelsene IV <strong>og</strong> VI illustrerer at et naturfenomen sin prevalens (dens relative frekvens;<br />
se kapittel 2.5) avhenger sterkt av hvilken kornstørrelse den blir beregnet for. Naturtypen kulturmarkseng<br />
i Oppdal (IV) har for eksempel en prevalens i det tilfeldig innsamlete evalueringsdatasettet på 0,390 når<br />
kornstørrelsen er 500 m, 0,128 når den er 100 m <strong>og</strong> 0,049 når den er 10 m. I tilsvarende datasett for åpen<br />
grunnlendt kalkmark i indre Oslofjord (VI) er naturtypen til stede i 42 av 46 observasjonsområder á 500 ×<br />
500 m (prevalens = 0,913), mens prevalensen synker til 0,0087 når gridrutenes areal reduseres til 1/10<br />
000 (5 × 5 m). Den sterke sammenhengen mellom prevalens <strong>og</strong> kornstørrelsen som brukes til gridding<br />
av prediktorvariablene, medfører at valg av kornstørrelse (f.eks. før iverksettelse av sannsynlighetsbasert<br />
overvåking) innebærer en avveiing mellom flere ulike hensyn. Det er mulig å øke prevalensen ved å gridde<br />
prediktorvariablene til et grovere rutenett, men samtidig genereres vesentlig merarbeid når indikatoren<br />
skal lokaliseres innenfor større observasjonsområder. Dessuten synes det <strong>og</strong>så som om de mest presise<br />
estimatene fra sannsynlighetsbasert utvalg oppnås ved et lavere representasjonsforhold når prevalensen<br />
øker (se 5.3.4).<br />
5.4.4 Syntese: hvilke datainnsamlingsmetoder egner seg for hvilke indikatorer <strong>og</strong> indikatorvariabler?<br />
Rangeringen av datainnsamlingsmetoder etter hensynet til kvaliteten på generalisert informasjon er<br />
den omvendte av rangeringen etter praktisk gjennomførbarhet, arbeids <strong>og</strong> driftskostnader (kapittel<br />
5.4.3). Sjøl om <strong>og</strong>så mange andre hensyn må tas i betraktning ved valg av datainnsamlingsmetode<br />
(kapitlene 5.4.1 <strong>og</strong> 5.4.2), er indikatorvariablenes fordelingsegenskaper de viktigste enkeltfaktorene<br />
ved valg av datainnsamlingsmetode (jf. kapittel 5.4.3 <strong>og</strong> Fig. 18). Svaret på spørsmålet om hvilke<br />
datainnsamlingsmetoder som egner seg for hvilke indikatorer <strong>og</strong> indikatorvariabler kan derfor oppsummeres i<br />
følgende hovedpunkter:<br />
• Arealdekkende datainnsamling,<br />
som gir generalisert informasjon ved direkte observasjon, er først<br />
<strong>og</strong> fremst egnet for indikatorvariabler som kan observeres ved fjernanalyse eller ved kontinuerlig<br />
oppdatering av datagrunnlaget (f.eks. INON).<br />
• Arealrepresentativ datainnsamling,<br />
som gir kostnadseffektive direkte arealrepresentative estimater,<br />
86<br />
er egnet for indikatorvariabler som kan observeres (er tilstede) på mange observasjonssteder i et<br />
arealrepresentativt nettverk; det vil for eksempel si arter eller naturtyper som er relativt vanlige, som<br />
er vidt utbredt innenfor overvåkingsundersøkelsens definisjonsområde <strong>og</strong> som er enkle å registrere<br />
i felt eller på grunnlag av fjernmålingsinformasjon (dvs. som ikke stiller krav til feltpersonell med<br />
spesialkompetanse).<br />
• Sannsynlighetsbasert datainnsamling,<br />
som ikke stiller andre spesifikke krav til indikatorvariablene for<br />
å gi sannsynlighetsbasert arealrepresentativt estimat enn at indikatoren har høy predikerbarhet (fordi<br />
det finnes en romlig prediksjonsmodellering som er evaluert ved bruk av uavhengige evalueringsdata);<br />
sannsynlighetsbasert datainnsamling blir gradvis mindre velegnet desto sjeldnere en indikator er <strong>og</strong><br />
desto vanskeligere den er å observere i felt (fordi individene beveger seg, fordi de har lav oppdagbarhet,<br />
for eksempel ved å være små, kortlevete, observerbare i et kort tidsrom eller av andre grunner<br />
vanskelige å oppdage).<br />
• Gradientbasert datainnsamling,<br />
som (i sin ’klassiske’ utforming med subjektiv stratifisering) gir
Fig. 20. Skisse til vegkart for et helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold i Norge.<br />
grunnlag for generalisering gjennom drøfting av resultater fra statistiske analyser (modellbaserte<br />
slutninger), er egnet for overvåking av sammensatte indikatorvariabler (artssammensetning) <strong>og</strong> enkle<br />
komposisjonsvariabler når det er behov for dyp innsikt i komplekse økosystemers struktur, funksjon <strong>og</strong><br />
dynamikk.<br />
• Selektiv datainnsamling,<br />
som gir grunnlag for generalisering gjennom drøfting, kan brukes for indikatorer<br />
(arter <strong>og</strong> naturtyper) med svært få forekomster/figurer <strong>og</strong>/eller lav oppdagbarhet, det vil si når andre<br />
datainnsamlingsmetoder ikke lar seg bruke.<br />
De viktigste forholdene som bestemmer hvilken datainnsamlingsmetode som bør velges i hver<br />
enkelt overvåkingsundersøkelse er (i) indikatorens utbredelses <strong>og</strong> fordelingsegenskaper innenfor<br />
overvåkingsundersøkelsens definisjonsområde <strong>og</strong> (ii) avveiingen mellom det som er optimalt fra et statistisk<br />
synspunkt <strong>og</strong> det som er mulig fra et ressurssynspunkt. Det store mangfoldet av grunner for å overvåke natur<br />
(kapittel 5.1) kombinert med den store variasjonen i egenskaper hos indikatorer <strong>og</strong> indikatorvariabler som er<br />
relevante for naturovervåking (kapittel 5.4) gjør at alle de fem datainnsamlingsmetodene <strong>og</strong> spesialutvalg har<br />
viktige roller å spille i et helhetlig pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av naturmangfold. Gradientbasert<br />
datainnsamling er en metode som er spesialtilpasset for overvåking av sammensatte komposisjonsvariabler<br />
(artssammensetning) <strong>og</strong> enkle komposisjonsvariabler for mange arter når det er viktig å kunne identifisere<br />
små endringer tidlig samt å få dyp innsikt i komplekse økosystemers struktur, funksjon <strong>og</strong> dynamikk. Dersom<br />
behovet for informasjon er knyttet til enkle komposisjonsvariabler (populasjonsstørrelse <strong>og</strong> artsmengde)<br />
87
for enkeltarter <strong>og</strong>/eller arealdekkevariabler <strong>og</strong> tilstandsvariabler for naturtyper, bør hovedregelen være at<br />
den datainnsamlingsmetoden som innenfor rammen av tilgjengelige ressurser gir det beste grunnlaget for<br />
å generalisere fra overvåkingsresultatene skal velges (arealdekkende datainnsamling framfor areal(type)<br />
representativ datainnsamling framfor sannsynlighetsbasert datainnsamling framfor selektiv datainnsamling).<br />
For å iverksettes, må all overvåking tilfredsstille krav om effektivitet, det vil at overvåkingen kan forventes<br />
å gi pålitelige estimater for aktuelle indikatorvariabelegenskaper. Dersom en aktuell indikator ikke lar<br />
seg overvåke i et utvalg av observasjonssteder som gir grunnlag for arealrepresentative estimater med<br />
akseptabel presisjon, er oppfølging av kjente artsforekomster eller naturtypefigurer (selektiv datainnsamling)<br />
eneste mulighet. Denne metoden anbefales brukt for indikatorer (arter <strong>og</strong> naturtyper) der behovet for<br />
stedfestet informasjon er særlig stort.<br />
5.5 Innspill til helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold i Norge<br />
5.5.1 Vegkart for et helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold<br />
Et helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold bør ha som visjon å gi en god, samlet statusoversikt<br />
for mangfoldet av arter (populasjonsstørelse, reproduksjon, forekomstantall <strong>og</strong> totalt forekomstareal) <strong>og</strong><br />
naturtyper (tilstand, artssammensetning, figurantall <strong>og</strong> totalt figurareal), tilstanden for viktige miljøfaktorer<br />
(inkludert påvirkningsfaktorer) <strong>og</strong> kunnskap om pågående endringer. Pågående naturovervåking i Norge<br />
bidrar med viktig kunnskap om mange arter <strong>og</strong> noen naturtyper <strong>og</strong> viktige miljøfaktorer, men de enkelte<br />
overvåkingsaktivitetene inngår ikke i noen helhetlig plan. Visjonen om et helhetlig pr<strong>og</strong>ram for overvåking av<br />
naturmangfold i Norge kan realiseres gjennom en prosess med fire trinn (Fig. 20):<br />
1. Konsensus om metodeplattform for et helhetlig overvåkingspr<strong>og</strong>ram (’pr<strong>og</strong>rammets <strong>verktøy</strong>kasse’) det<br />
vil si en omforent oppfatning om hvilke overvåkingsmetoder som skal benyttes til hvilke formål <strong>og</strong> hvilke<br />
indikatorer <strong>og</strong> indikatorvariabler de enkelte metodene egner seg for<br />
2. Evaluering av pågående overvåkingsaktiviteter på grunnlag av prinsippene for tilpasset overvåking<br />
(kapittel 5.1, se Fig. 14), fulgt at beslutning om videreføring som ledd i det helhetlige pr<strong>og</strong>rammet<br />
(eventuelt etter revisjon) eller terminering<br />
3. Utredning av udekkete overvåkingsbehov <strong>og</strong> beslutning om prioritering mellom nye<br />
overvåkingsaktiviteter<br />
4. Gradvis innfasing av nye overvåkingsaktiviteter<br />
Videreutvikling av det faglige grunnlaget for overvåking av naturmangfold (videreutvikling av<br />
overvåkingsmetodikk <strong>og</strong> infrastruktur for overvåking – naturbeskrivelsessystem <strong>og</strong> datagrunnlag for bedre<br />
prediksjonsmodeller) må fortsette parallelt med utviklingen av det helhetlige overvåkingspr<strong>og</strong>rammet.<br />
Også etter at et helhetlig pr<strong>og</strong>ram er etablert vil det være behov for utvikling av det faglige grunnlaget.<br />
Alle aktiviteter i ethvert overvåkingspr<strong>og</strong>ram må evalueres løpende i henhold til prinsippene for tilpasset<br />
overvåking.<br />
5.5.2 Metodeplattform for et helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold<br />
Konklusjonen på gjennomgangen av datainnsamlingsmetoder i naturovervåking (kapittel 5.3),<br />
hvilke indikatorer de egner seg for <strong>og</strong> hvilke kunnskapsbehov de kan fylle (kapittel 5.4) er at alle<br />
de fem datainnsamlingsmetodene samt spesialutvalg har viktige roller å fylle innenfor et helhetlig<br />
pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av naturmangfold. Gjennomgangen viser dessuten at disse<br />
datainnsamlingsmetodene til sammen fyller de behov for overvåkingsinformasjon som i dag anses for<br />
viktige; de utgjør en tilstrekkelig <strong>verktøy</strong>kasse for et helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold.<br />
Hver av datainnsamlingsmetodene har en tett kobling til en av hovedtilnærmingsmåtene til overvåking.<br />
Datamaterialet som blir samlet inn ved bruk av en bestemt datainnsamlingsmetode egner seg gjerne<br />
for et begrenset utvalg av analysemetoder <strong>og</strong> gir grunnlag for slutninger beheftet med spesifikke typer<br />
feil <strong>og</strong> usikkerhet. Det er derfor god grunn til å betrakte hver datainnsamlingsmetode som del av én<br />
overvåkingsmetode (se kapittel 2.4 for forklaring av forskjellen mellom datainnsamlingsmetode <strong>og</strong><br />
overvåkingsmetode). Gjennomgangen av datainnsamlingsmetodene i tidligere kapitler viser at fire av de<br />
seks overvåkingsmetodene fyller spesielt viktige roller i et helhetlig overvåkingsperspektiv. Disse blir derfor<br />
betegnet hovedelementer i metodeplattformen, mens de to andre blir betegnet bielementer (Fig. 21).<br />
Tilrettelegging for maksimale samvirkningseffekter mellom ulike temaer i et helhetlig overvåkingspr<strong>og</strong>ram,<br />
88
Fig. 21. Metodeplattform for et helhetlig pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av naturmangfold;<br />
overvåkingsmetoder (midtre kolonne, forklaring i høyre kolonne), utvalgsmetodene de er basert på (venstre<br />
kolonne) <strong>og</strong> hvilke indikatorer/indikatorvariabler de er relevante for. Grønne sirkler angir behov for romlig<br />
prediksjonsmodellering.<br />
89
for eksempel effektiv dataregistrering <strong>og</strong> gjenbruk av innsamlete data, kan oppnås ved å ta i betraktning<br />
følgende:<br />
Hovedelement 1, arealrepresentativ overvåking med spesialtilpasninger. Med utgangspunkt i at<br />
størst mulig grad av samordning er fordelaktig fordi det øker effektiviteten på feltarbeidet <strong>og</strong> gir muligheter for<br />
flerbruk av data, er det ønskelig at et helhetlig overvåkingspr<strong>og</strong>ram inneholder ett <strong>og</strong> bare ett landsdekkende<br />
standard-rutenett for naturovervåking. Dette nettet kan tilpasses spesialbehov (spesialtilpasset<br />
arealrepresentativ overvåking) ved fortetting til finere maskevidde, for eksempel 9 × 9 km, 3 × 3 km, 1 × 1 km<br />
<strong>og</strong> om nødvendig <strong>og</strong>så enda finere, eller ved andre tilpasninger.<br />
Skjæringspunkter mellom vertikale <strong>og</strong> horisontale linjer i standardnettet benyttes som senterpunkter i et<br />
basisutvalg av observasjonsområder. Dette basisutvalget må omfatte så mange observasjonsområder at<br />
utvalget gir grunnlag for pålitelige slutninger om tilstand <strong>og</strong> endringer ’allmennnaturen’ (relativt vanlige arter<br />
<strong>og</strong> naturtyper). Det foreslåtte LUCAS-nettet (18 × 18 km med ca. 1172 skjæringspunkter; Strand & Rekdal<br />
2005) er én kandidat til standardrutenett (det svenske NILSnettverket omfatter til sammenlikning ca. 600<br />
observasjonsområder i et utvalg med svak ge<strong>og</strong>rafisk stratifisering av observasjonssteder).<br />
Standardnettverket for arealrepresentativ overvåking med spesialtilpasninger bør i utgangspunktet være<br />
åpent, det vil si at det ikke er restriksjoner på informasjon om observasjonsområdenes plassering <strong>og</strong> at alle<br />
data samlet inn i nettverket kan gjenbrukes fritt. En fordel med et åpent nettverk er at alle observasjoner<br />
av naturmangfoldet, for eksempel funn av mindre vanlige arter som blir gjort under overvåkingsfeltarbeidet,<br />
kan gjøres tilgjengelig for alle gjennom Artsobservasjoner, Artskart <strong>og</strong> GBIF-portalen. Det finnes imidlertid<br />
<strong>og</strong>så vektige argumenter imot at den eksakte plasseringen av observasjonsområder er allment kjent (se<br />
f.eks. Olsen et al. 1999). Verken Landssk<strong>og</strong>takseringen eller 3Q opererer med åpne nettverk. Valget<br />
mellom åpent <strong>og</strong> lukket nettverk krever derfor grundige vurderinger før arealrepresentativ overvåking med<br />
spesialtilpasninger implementeres i Norge.<br />
Ideelt sett bør all areal(type)representativ datainnsamling som inngår i et nasjonalt pr<strong>og</strong>ram for<br />
overvåking av naturmangfold samles inn fra et <strong>og</strong> samme nettverk med ’undernettverk’. Det finnes grunner<br />
for å velge UTM-nettet til å identifisere observasjonspunktene i standardnettverket. UTM-rutenettet<br />
er standard for ge<strong>og</strong>rafiske referanser i Norge, <strong>og</strong> er enkelt tilgjengelig via kartserien M711, GPS etc.<br />
Valg av ge<strong>og</strong>rafisk referanse må imidlertid avklares i forhold til EUs INSPIRE-direktiv for kartfesting av<br />
miljøinformasjon.<br />
Hovedelement 2, sannsynlighetsbasert overvåking av naturtyper <strong>og</strong> arter, forutsetter at det finnes<br />
romlige prediksjonsmodeller for tilstedeværelse av de indikatorene (naturtyper <strong>og</strong> arter) som skal overvåkes,<br />
<strong>og</strong> at disse prediksjonsmodellene er evaluert ved bruk av uavhengige tilstedeværelsefraværsdata (se<br />
kapittel 4.2.6). Sannsynlighetsbasert overvåking er foreløpig ikke utprøvd i et større definisjonsområde,<br />
men det er sannsynlig at metodikken må tilpasses til hvert enkelt overvåkingstema. Som det framgår<br />
av kapittel 5.3.4 er det behov for videreutvikling, både av overvåkingsmetoden som sådan (hvordan<br />
sannsynlighetsbasert utvalg skal gjøres i praksis, hvilke parametervalg som er optimale etc.) <strong>og</strong> av<br />
infrastrukturen den bygger på. Særlig synes det som om det fortsatt er et stort potensiale for å forbedre<br />
romlige prediksjonmodeller ved utvikling av nye prediktorvariabler (se grunnlagsundersøkelsene III–VI).<br />
Hovedelement 3, gradientbasert overvåking, finnes i Norge bare for få, utvalgte naturtyper. Den<br />
mest omfattende gradientbaserte fastruteovervåkingen i Norge i dag er den vegetasjonsøkol<strong>og</strong>iske<br />
fastruteovervåkingen i blåbærdominert gran <strong>og</strong> bjørkesk<strong>og</strong> som inngår i TOV (T. Økland et al. 2004,<br />
Halvorsen et al. 2009c, Nordbakken et al. 2010). Det er tidligere utarbeidet et forslag om videreutvikling<br />
av gradientbasert fastruteovervåking som ledd i en helhetlig plan for overvåking av naturmangfold<br />
(R. Økland et al. 2004). En variant av gradientbasert fastruteovervåking som er knyttet til det<br />
arealtyperepresentative 3Q-nettverket er utviklet for overvåking av artssammensetningen i enger (i vid<br />
forstand) i jordbrukslandskapet (Engan et al. 2008). Muligheten for å erstatte subjektiv stratifisering i<br />
gradientbasert datainnsamling med modellbasert stratifisering bør utredes nærmere før ny gradientbasert<br />
fastruteovervåking iverksettes (se kapittel 5.3.5).<br />
Hovedelement 4, effektstudier <strong>og</strong> andre overvåkingsrelaterte FoU-oppgaver, omfatter målrettet<br />
følgeforskning til naturovervåking med siktemål å teste hypoteser som har utspring i overvåkingsresultater<br />
eller gi dypere innsikt i mekanismene bak observerte mønstre. Slik følgeforskning har spilt <strong>og</strong> vil fortsette å<br />
være viktig <strong>og</strong> inngå som en selvfølgelig del av et helhetlig pr<strong>og</strong>ram for naturovervåking. Pr<strong>og</strong>ramforskning<br />
bør derfor være nært knyttet opp mot et helhetlig pr<strong>og</strong>ram for naturovervåking.<br />
Bielement 5, overvåking rettet mot spesifikke artsforekomster <strong>og</strong>/eller naturtypefigurer, er<br />
utbredt i Norge i dag (se kapittel 5.3.6), men selektiv datainnsamling er først <strong>og</strong> fremst egnet til kartlegging<br />
(målrettet leiting etter artsforekomster <strong>og</strong> naturtypefigurer for arter <strong>og</strong> naturtyper det knytter seg spesiell<br />
forvaltningsinteresse til). Fordi selektiv datainnsamling gir et dårligst mulig utgangspunkt for å trekke<br />
generelle slutninger (se kapittel 5.4.2), bør denne metoden bare brukes for overvåking når ingen andre<br />
datainnsamlingsmetoder lar seg bruke, det vil si for indikatorer (arter <strong>og</strong> naturtyper) med svært få<br />
90
forekomster/figurer <strong>og</strong>/eller lav oppdagbarhet <strong>og</strong> når behovet for kunnskap er stort.<br />
Bielement 6, arealdekkende overvåking av hele definisjonsomåder, er først <strong>og</strong> fremst relevant for (et<br />
mindre utvalg) indikatorer spesielt godt egnet for overvåking på grunnlag av fjernmålingsinformasjon.<br />
5.5.3 Bruk av metodeplattformen til overvåking av naturtyper<br />
Sammenhenger mellom datainnsamlingsmetode <strong>og</strong> egenskaper ved naturtyper som indikator <strong>og</strong> relevante<br />
indikatorvariabler (enkle <strong>og</strong> sammensatte komposisjonsvariabler, arealdekkevariabler, tilstandsvariabler) blir<br />
drøftet i kapittel 5.4 med fokus på egnethet av de enkelte datainnsamlingsmetodene. Ved iverksetting av<br />
ny naturtypeovervåking eller innpassing av eksisterende overvåking i et helhetlig overvåkingspr<strong>og</strong>ram, er<br />
utfordringen den omvendte: å finne den metoden som egner seg best til å overvåke en bestemt naturtype,<br />
gitt et bestemt overvåkingsformål. I dette kapitlet tas naturtypenes egenskaper som utgangspunkt for drøfting<br />
av egnet overvåkingsmetode.<br />
• Naturtyper som er vanlige innenfor overvåkingsundersøkelsens definisjonsområde.<br />
Naturtyper med<br />
høyt faktisk totalt figurareal (prevalens > ca. 0,02 i gridruter av standard størrelse, f.eks. 500 × 500 m<br />
eller 1 km2 ) bør overvåkes med den arealrepresentative overvåkingsmetoden. Når nasjonalt vanlige<br />
naturtyper <strong>og</strong>så skal overvåkes innenfor mindre del-definisjonsområder (f.eks. et verneområde eller en<br />
gruppe verneområder), bør samme utvalgsmetode <strong>og</strong> samme indikatorvariabler som i det nasjonale<br />
overvåkingspr<strong>og</strong>rammet benyttes, eventuelt med nødvendige tilpasninger styrt av formålet med<br />
overvåkingen i del-definisjonsområdet (f.eks. ved evaluering av bevaringsmåloppnåelse). For å kunne gi<br />
representative estimater for et enkelt verneområde eller et annet mindre område, må standardnettverket<br />
for arealrepresentativ overvåking fortettes nok til at antallet observasjoner av indikatorvariabelen fra<br />
del-definisjonsområdet alene gir grunnlag for pålitelige estimater (se VI for ett eksempel). Det bør<br />
utredes, for eksempel ved simulering (jf. VII), hvor vanlig en naturtype bør være for å egne seg for<br />
arealrepresentativ overvåking, nasjonalt <strong>og</strong> i mindre del-definisjonsområder.<br />
•<br />
•<br />
•<br />
•<br />
Naturtyper som er mindre vanlige eller sjeldne innenfor overvåkingsundersøkelsens definisjonsområde,<br />
men med naturtypefigurer som lett kan identifiseres uten omfattende feltsjekk. Naturtyper som<br />
tilfredsstiller kravet om at alle eller nær alle naturtypefigurer skal kunne identifiseres uten å sjekke<br />
tallrike potensielle observasjonssteder i felt, kan overvåkes ved arealrepresentativ overvåking med<br />
spesialtilpasninger i form av fortetting av et nasjonalt standardnettverk. Det finnes knapt noen nedre<br />
prevalensgrense for bruk av arealrepresentativ overvåking med spesialtilpasninger (jf. Fig. 18); det<br />
avgjørende kriteriet er hvorvidt sikker identifisering av naturtypefigurer er mulig uten for store kostnader.<br />
Naturtyper som er vanlige i et del-definisjonsområde, men som ikke omfattes av et nasjonalt pr<strong>og</strong>ram.<br />
For naturtyper som ikke overvåkes nasjonalt, men som har høyt nok faktisk totalt figurareal i et<br />
del-definisjonsområde (f.eks. verneområde) til at arealrepresentativ overvåking er hensiktsmessig,<br />
er det mulig å bruke arealrepresentativ overvåking, eventuelt med spesialtilpasning (fortetting av<br />
standardnettverket), innenfor del-definisjonsområdet. Bruk av samme eller tilsvarende indikatorvariabler<br />
(arealutstrekning, tilstand <strong>og</strong>/eller artssammensetning) som for tilsvarende indikatorer (naturtyper) i<br />
nasjonal areal(type)representativ overvåking vil kunne gi samordningsgevinster.<br />
Naturtyper som er mindre vanlige i et del-definisjonsområde <strong>og</strong> sjeldne nasjonalt, <strong>og</strong> som inngår i<br />
sannsynlighetsbasert overvåking med hele Norge som definisjonsområde. Naturtyper som oppfyller<br />
disse betingelsene bør i utgangspunktet overvåkes i del-definisjonsområdet med samme metode som<br />
i den nasjonale overvåkingen (sannsynlighetsbasert overvåking), eventuelt med spesialtilpasninger<br />
(f.eks. fortettet sannsynlighetsbasert utvalg over del-definisjonsområdet). Det er behov for nærmere<br />
uttesting av hvordan slike tilpasninger best kan gjøres i ulike tilfeller (relevante case studies). Én<br />
mulighet er å gjøre et sannsynlighetsbasert utvalg av observasjonssteder i del-definisjonsområdet, i<br />
egnet antall, på grunnlag av en romlig prediksjonsmodell for naturtypen som er utarbeidet for Norge.<br />
En annen mulighet, som kan være aktuell for naturtyper med svært lite faktisk totalt figurareal <strong>og</strong>/eller<br />
lavt figurantall i del-definisjonsområdet, er at alle figurer av naturtypen i del-definisjonsområdet benyttes<br />
som observasjonssteder, at observasjoner gjøres med samme dataregistreringsmetode som i den<br />
nasjonale overvåkingen, <strong>og</strong> at observasjonene eventuelt knyttes til den nasjonale overvåkingen gjennom<br />
poststratifisering (se kapittel 5.3.4).<br />
Naturtyper som er mindre vanlige i et del-definisjonsområde <strong>og</strong> sjeldne nasjonalt, <strong>og</strong> som ikke inngår<br />
i et nasjonalt overvåkingspr<strong>og</strong>ram. Også for slike naturtyper kan sannsynlighetsbasert overvåking<br />
være en mulighet; metodikken for sannsynlighetsbasert datainnsamling kan benyttes uansett hvor lite<br />
definisjonsområdet er (jf. eksemplene i grunnlagsundersøkelsene III, IV <strong>og</strong> VI). Dersom ingen egnet<br />
romlig prediksjonsmodell finnes, må en slik modell utarbeides, spesifikt for del-definisjonsområdet eller<br />
for et større område som inkluderer del-definisjonsområdet. Fordi sannsynlighetsbasert datainnsamling<br />
91
92<br />
har betydelige oppstartkostnader (utarbeidelse av romlig prediksjonsmodell, modellevaluering, utvelgelse<br />
<strong>og</strong> etablering av observasjonssteder i felt) vil imidlertid sannsynlighetsbasert overvåking neppe være<br />
aktuelt for overvåking i verneområder eller andre mindre områder annet enn for naturtyper som overåkes<br />
i et nasjonalt pr<strong>og</strong>ram med den sannsynlighetsbaserte overvåkingsmetoden. Alternativet for slike tilfeller<br />
er overvåking rettet mot spesifikke naturtypefigurer (oppfølging av selektivt utvalgte naturtypefigurer)<br />
eller, dersom del-definisjonsområdet er lite <strong>og</strong> blir gjort gjenstand for total naturtypekartlegging,<br />
arealdekkende overvåking av naturtypen i hele definisjonsområdet. I praksis innebærer det at alle eller et<br />
utvalg av naturtypefigurer, samplet fra den kjente totalpopulasjonen av naturtypefigurer (spesialtilpasset<br />
arealdekkende overvåking; se kapittel 5.3.2), blir overvåket. Valget av indikatorvariabler må tilpasses<br />
overvåkingsformålet.<br />
• Naturtyper som er sjeldne i et del-definisjonsområde. For naturtyper som er representert med svært<br />
få figurer <strong>og</strong> har lite totalt figurareal innenfor et del-definisjonsområde (f.eks. et verneområde eller et<br />
militært øvingsfelt), <strong>og</strong> som med enkle midler (for eksempel ved bruk av fjernmålingsinformasjon) kan<br />
kartlegges eller som allerede er kartlagt gjennom total naturtypekartlegging av området, bør overvåkes<br />
ved arealdekkende overvåking, eventuelt med spesialtilpasninger som beskrevet i forrige punkt.<br />
Dersom naturtypen inngår i et nasjonalt overvåkingspr<strong>og</strong>ram, bør indikatorvariabler <strong>og</strong> prosedyrer for<br />
dataregistrering så langt som mulig være de samme.<br />
Gradientbasert overvåking med definisjonsområdet som ett referanseområde kan brukes ved overvåking<br />
av artsrikdom eller variasjon i artssammensetning i gitte naturtyper innenfor et lite definisjonsområde.<br />
Utvalgsmetoden bør ikke forutsette subjektive valg (jf. drøfting i kapittel 5.3.5). Dersom naturtypen<br />
eller naturtypene som er aktuelle for overvåking i et lite definisjonsområde allerede inngår i nasjonal<br />
gradientbasert fastruteovervåking, bør det vurderes om det lille definisjonsområdet eller deler av dette kan<br />
egne seg som referanseområde i den nasjonale overvåkingsundersøkelsen.<br />
Selektiv datainnsamling, det vil si registrering av indikatorvariabler i kjente naturtypefigurer eller i<br />
et utvalg av kjente naturtypefigurer (når totalpopulasjonen av naturtypefigurer ikke er kjent), bør bare<br />
benyttes dersom ingen andre overvåkingsmetoder lar seg bruke <strong>og</strong> når naturtypen ikke inngår i et nasjonalt<br />
overvåkingspr<strong>og</strong>ram. I dette tilfellet gjelder den generelle anbefalingen (kapittel 5.4.4) om at selektiv<br />
datainnsamling bare bør brukes for overvåking av indikatorer som ikke lar seg overvåke med metoder<br />
som gir grunnlag for arealrepresentative estimater (med akseptabel presisjon) <strong>og</strong> etter særskilt vurdering.<br />
Også ved selektiv datainnsamling bør prosedyrer for dataregistrering (f.eks. av figurareal, tilstand <strong>og</strong><br />
artssammensetning) standardiseres så mye som mulig.<br />
5.5.4 Tilrettelegging for aggregering av resultater fra naturovervåking<br />
I pr<strong>og</strong>rammet ’Oppfølging av verneområder – bevaringsmål <strong>og</strong> overvåking’ (B.Ø. Solberg et al., upublisert<br />
notat) blir tre overvåkingsformål definert, alle nært knyttet til begrepet bevaringsmål. Overvåking (oppfølging)<br />
rettet mot evaluering av bevaringsmål skal:<br />
1. For hvert enkelt verneområde gi grunnlag for evaluering av hvorvidt bevaringsmålet er nådd (om<br />
området har gunstig bevaringsstatus) <strong>og</strong>, eventuelt, utløse skjøtsels <strong>og</strong>/eller restaureringstiltak, samt<br />
gi grunnlag for å evaluere effekten av disse tiltakene. Kunnskapsbehovet det her er tale om, kan dels<br />
forutsette effektstudier, dels kan det fylles ved overvåking slik begrepet er definert i denne rapporten<br />
(kapittel 2.2).<br />
2. Gi grunnlag for å aggregere tall for:<br />
a. ulike kategorier av verneområder (nasjonalparker, landskapsvernområder, naturreservater),<br />
b. ulike tematiske verneområder (for eksempel barsk<strong>og</strong>sreservater eller myrreservater), <strong>og</strong><br />
c. ulike ge<strong>og</strong>rafiske områder.<br />
Aggregering av tall er det samme som generalisering av resultater, <strong>og</strong> stiller krav til at observasjoner av<br />
indikatorvariablene er samlet på mest mulig lik måte i alle områdene data skal aggregeres fra.<br />
3. Gi grunnlag for å sette aggregerte tall for verneområdene i sammenheng med tilsvarende tall for hele<br />
Norge. Dette forutsetter at de samme indikatorvariablene observeres både i <strong>og</strong> utenfor verneområdene,<br />
det vil si at overvåkingen i verneområder er en integrert del av en nasjonal overvåking av indikatoren.<br />
Behovet for å aggregere overvåkingsresultater på flere nivåer – ett enkelt mindre definisjonsområde eller<br />
mange del-definisjonsområder av samme kategori (f.eks. verneområder som inngår i samme tematiske<br />
verneplan) – innenfor et større definisjonsområde – f.eks. ett fylke eller hele Norge – er imidlertid ikke<br />
spesifikt knyttet til evaluering av bevaringsmål for verneområder, men kan <strong>og</strong>så ha relevans for andre<br />
kategorier av del-definisjonsområder, for eksempel militære øvingsfelt.
Fig. 22. Illustrasjon av hvordan resultater av overvåking i mindre del-definisjonsområder (f.eks.<br />
verneområder) kan være relevant <strong>og</strong>så for overvåkingsmål som det knytter seg generell interesse til. Nivåer<br />
for aggregering av overvåkingsresultater til generelle slutninger er indikert med røde piler, utnyttelse av<br />
overvåkingsresultater til spesifikke formål knyttet for eksempel til oppfølging av verneområder er indikert med<br />
blå pil.<br />
Behovet for å aggregere overvåkingsresultater på tvers av romlige skalaer er bare én problemstilling<br />
innenfor et stort tema – sammenstilling (’integrering’) av naturmangfoldinformasjon fra ulike<br />
informasjonskilder. Dette temaet er viktig fordi hvert land (ofte <strong>og</strong>så ulike sektorer i ett enkelt land)<br />
driver naturmangfoldovervåking rettet mot én <strong>og</strong> samme problemstilling, men med ulike metoder. Det<br />
er viktig at muligheten til å sette denne informasjonen sammen til et mer fullstendig mønster utnyttes så<br />
langt som mulig. Henry et al. (2008) lister opp fire ’dimensjoner’ som er relevant for sammenstilling av<br />
overvåkingsinformasjon: størrelsen på observasjonsenhetene, taksa som blir adressert, definisjonsområder<br />
<strong>og</strong> tidsperioder. Henry et al. (2008) gir <strong>og</strong>så en oversikt over metoder for sammenstilling av resultater fra<br />
data med ulike egenskaper, <strong>og</strong> drøfter de utfordringene dette innebærer.<br />
Ved oppstart av ny overvåking, er det imidlertid opplagte fordeler forbundet med god samordning<br />
<strong>og</strong> planlegging. Direkte generalisering av overvåkingsinformasjon er mye enklere (<strong>og</strong> vil normalt gi mer<br />
pålitelige resultater) når den aktuelle indikatorvariabelen registreres med samme metoder i et nasjonalt<br />
overvåkingspr<strong>og</strong>ram <strong>og</strong> ved overvåking i mindre del-definisjonsområder.<br />
Vilkår for generalisering av overvåkingsresultater fra mindre del-definisjonsområder til nasjonale tall<br />
er skissert i Fig. 22. Som eksempel på en ’generaliseringskjede’ kan nevnes områdefokusert overvåking<br />
i enkeltverneområder (1), generalisering av resultater til en gitt kategori av verneområder (for eksempel<br />
barsk<strong>og</strong>sreservater; 2), <strong>og</strong> evaluering av verneområder i en nasjonal sammenheng (3). For å kunne<br />
generalisere til nasjonale tall eller sette verneområder inn i en nasjonal sammenheng (Framstad et al. 2010),<br />
bør overvåkingen i verneområder være en integrert del av en nasjonal plan for overvåking av naturmangfold.<br />
For å nå generaliseringsnivå (2) bør data samles inn fra verneområdene etter samme <strong>prinsipper</strong> som i<br />
nasjonal overvåking. Bare dersom det er mulig å tenke seg at et bevaringsmål for et enkelt verneområde (1)<br />
alene er viktig <strong>og</strong> at det ikke (i overskuelig framtid) vil være aktuelt å se dette i en større sammenheng, bør<br />
overvåking i verneområder planlegges løsrevet fra en nasjonal overvåkingsplan. Det er neppe mange tilfeller<br />
der dette er en relevant situasjon. Sannsynligvis vil formålet med oppfølging av verneområder <strong>og</strong> annen<br />
overvåking knyttet til mindre definisjonsområder i de aller fleste tilfeller innebære at overvåkingsresultatene<br />
skal kunne brukes både til områdespesifikke slutninger <strong>og</strong> til å sette området inn i en større sammenheng.<br />
93
5.5.5 NiN som infrastruktur for et helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold<br />
Utviklingen av Naturtyper i Norge (NiN) har siden starten i 2006 vært forankret i behovet for et standardisert<br />
system for å beskrive naturvariasjon i Norge, blant annet til bruk i naturtypeovervåking (Halvorsen<br />
2008). I dette kapitlet drøftes rollen NiN skal spille som infrastruktur for natur(type)overvåking med<br />
referanse til framlegget til metodeplattform for et helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold<br />
(kapittel 5.5.1–2). I neste kapittel (5.5.6) drøftes behovene for videreutvikling av NiN som infrastruktur for<br />
naturmangfoldovervåking med utgangspunkt i erfaringene med bruk av NiN i NatTOvprosjektet (se I, II, IV<strong>og</strong><br />
VI).<br />
Halvorsen (2008) lister en rekke områder der et standardisert naturbeskrivelsessystem som NiN vil være<br />
til vesentlig nytte for naturovervåking. De viktigste er:<br />
1. Økt kompatibilitet mellom arealtypeinndelinger <strong>og</strong> økt tilgjengelighet til systematisert arealinformasjon<br />
bedrer beslutningsgrunnlaget for overvåking. Standardisering av begrepsapparatet for naturtypevariasjon<br />
fremmer kompatibilitet mellom ulike arealtypeinndelinger. Som standard for naturtypeinndeling kan<br />
NiN tjene som en fellesnevner som andre arealtypeinndelinger kan oversettes til. Det muliggjør felles<br />
innsyn til, <strong>og</strong> felles analyse av, resultater fra ulike tematiske kartleggings <strong>og</strong> overvåkingsaktiviteter<br />
uten at det må gjøres store investeringer i datatilrettelegging i hvert enkelt tilfelle. Som et første skritt i<br />
retning økt tilgjengelighet til systematisert arealinformasjon ble det utarbeidet en oversettelsesnøkkel<br />
mellom DNs naturtypekartleggingshåndbøker 13 <strong>og</strong> 19 <strong>og</strong> NiN versjon 1.0 (Halvorsen 2010).<br />
Denne oversettelsesnøkkelen er basert på eksplisitte <strong>prinsipper</strong> for ’oversettelsesnøkling’.<br />
Oversettelsesnøkkelen er foreløpig ikke mye brukt, men vil legge grunnlaget for den planlagte revisjonen<br />
av kartleggingshåndbøkene (tilpasning til NiN). Felles innsyn til arealtypeinformasjon gjennom<br />
oversettelse til NiN er viktig som infrastruktur for naturtypeovervåking fordi kunnskap om naturtypenes<br />
utbredelse, totale figurareal <strong>og</strong> prevalens er grunnlaget for vurdering av rødlistestatus, prioritering av<br />
forvaltningstiltak <strong>og</strong> beslutninger om overvåking.<br />
2. Felles begrepsapparat for naturvariasjon i Norge fremmer kommunikasjon, som er viktig av flere grunner:<br />
a. Bedre kommunikasjon mellom ulike fagsektorer gjør det lettere å oppnå konsensus om, <strong>og</strong> deretter<br />
utvikle et sektorovergripende, helhetlig nasjonalt kartleggings <strong>og</strong> overvåkingspr<strong>og</strong>ram.<br />
b. Et standardisert begrepsapparat for naturvariasjon fremmer kommunikasjon av resultater fra<br />
kartlegging <strong>og</strong> overvåking av natur(type)mangfold<br />
c. Standardisering av begrepsapparatet for naturvariasjon fremmer flerbruk <strong>og</strong> gjenbruk av<br />
overvåkingsdata.<br />
3. NiNfremmer kvalitet <strong>og</strong> relevans av naturovervåking. Et kunnskapsbasert standardisert<br />
arealinndelingssystem vil heve kvaliteten på, <strong>og</strong> dermed nytteverdien av, de enkelte kartleggings <strong>og</strong><br />
overvåkingsaktivitetene. For overvåkingsmetoder som baserer seg på avgrensning av naturtypefigurer<br />
er en standard naturtypeinndeling med presise definisjoner <strong>og</strong> avgrensningskriterier avgjørende for<br />
kvaliteten på overvåkingsresultatene. Oppbygningen av NiN, der grunnleggende naturegenskaper som<br />
er stabile over lengre tid (lokale basisøkokliner) brukes til å definere typer mens andre egenskaper<br />
(kilder til variasjon; se kapittel 3.3.4), inkludert tilstandsvariasjon, brukes etter behov til å beskrive<br />
naturtypefigurene, gjør systemet spesielt godt egnet for naturtypeovervåking. Typeinndelingen kan<br />
dermed brukes til å definere indikatorene (hvilke naturtyper som skal overvåkes <strong>og</strong> hvordan de<br />
skal avgrenses) mens beskrivelsessystemet inneholder standardisert begrepsapparat for viktige<br />
indikatorvariabler (tilstandsvariabler, objektinnhold).<br />
4. Ett standard naturbeskrivelsessystem fremmer kontinuerlig kunnskapsoppbygging. Artsdatabanken<br />
har ambisjon om at NiN skal være et nasjonalt kunnskapsgrunnlag om naturmangfoldvariasjon, som<br />
skal videreutvikles over lang tid. Det legges dermed til rette for at nye oppdagelser <strong>og</strong> erfaringer,<br />
blant annet fra kartleggings <strong>og</strong> overvåkingsaktiviteter, kan tas vare på <strong>og</strong> kontinuerlig inkorporeres i<br />
dette kunnskapsgrunnlaget. Mange indikatorvariabler (artsmengdemål, tilstandsvariabler etc.) har for<br />
eksempel sin naturlige plass i NiNsystemet som kilder til naturvariasjon.<br />
5. Infrastruktur for naturtypekartlegging. Presise definisjoner <strong>og</strong> skarpe avgrensningskriterier er en<br />
forutsetning for gode, observatøruavhengige naturtypekart (se I: 1). En av hovedhensiktene med NiN er<br />
at systemet skal gi grunnlag for mer presis naturtypekartlegging, såvel utfigurering av enkelte naturtyper<br />
det knytter seg spesiell forvaltningsinteresse til som totalkartlegging av naturtyper i større eller mindre<br />
kartleggingsområder. NiNs fleksibilitet med hensyn til valg av organisasjonsnivå <strong>og</strong> romlig skala (se<br />
kapittel 3.3.1), generaliseringsnivå (se kapittel 3.3.2) <strong>og</strong> hvilke egenskaper ved naturtypefigurene som<br />
skal registreres gir brukerne stor mulighet til å lage spesialtilpassete kartleggingsinstrukser <strong>og</strong> å målrette<br />
disse mot spesifikke kartleggingsformål. Samtidig stiller denne fleksibiliteten store krav til kompetanse <strong>og</strong><br />
intensjonsdybde hos brukeren.<br />
94
6. Grunnlag for andre aktiviteter med relevans for kartlegging <strong>og</strong> overvåking av naturmangfold.<br />
En økoklinbasert naturtypeinndeling har stor nytteverdi som grunnlag for overvåkingsrelevante<br />
forsknings- <strong>og</strong> utredningsoppgaver, for eksempel romlig prediksjonsmodellering. Naturtyper definert i<br />
et økoklinbasert system kan brukes som surr<strong>og</strong>at for viktige kompleksgradienter som vanskelig lar seg<br />
representere med arealdekkende prediktorer (se kapittel 4.2.2 <strong>og</strong> R. Halvorsen, unpubl. manuskript).<br />
Alle de seks (kartleggings <strong>og</strong>) overvåkingsmetodene (se Fig. 21) samt mange kartleggings <strong>og</strong><br />
overvåkingsrelaterte FoUaktiviteter vil dra nytte av en standardisert naturtypeinndeling, men nytteverdien <strong>og</strong><br />
bruksområdene vil til dels være forskjellig for ulike overvåkingsmetoder:<br />
• Arealrepresentativ kartlegging <strong>og</strong> overvåking med spesialtilpasninger (hovedelement 1 i<br />
metodeplattformen for et helhetlig pr<strong>og</strong>ram). NiNs standardiserte, fullstendig arealdekkende<br />
typeinndeling på natursystemnivået fremmer kvaliteten på (punkt 3) <strong>og</strong> kommunikasjonen av<br />
resultater fra (punkt 2) naturtypeovergripende arealrepresentativ overvåking i et landsdekkende<br />
standardrutenett. En presis, standardisert naturtypeinndeling er særlig viktig for høy kvalitet på (gjentatt)<br />
naturtypekartlegging (punkt 5) av store observasjonsenheter (flater på 1 km2 eller noe mindre), en<br />
nøkkelaktivitet i mange store, arealrepresentative overvåkingsundersøkelser (for eksempel 3Q <strong>og</strong> den<br />
svenske NILSundersøkelsen som er omtalt i kapittel 5.1). At NiN <strong>og</strong>så inneholder typeinndelinger for<br />
landskap, landskapsdel <strong>og</strong> livsmedium muliggjør nasjonal arealstatistikk for viktige typer <strong>og</strong>så på disse<br />
organisasjonsnivåene. Nasjonal arealstatistikk for landskap forutsetter imidlertid at typeinndelingen på<br />
landskapsnivået i NiN videreutvikles til å fange opp landskapsvariasjon på finere romlige skalaer, som<br />
anbefalt av Simensen & Uttakleiv (2011).<br />
NiNs typeinndeling på natursystemnivået er særlig viktig for arealtyperepresentativ overvåking<br />
(med eventuelle spesialtilpasninger). En standardisert naturtypeinndeling fremmer kompatibilitet<br />
mellom eksisterende arealtyperepresentativ kartlegging <strong>og</strong> overvåking (punkt 1), for eksempel mellom<br />
Landssk<strong>og</strong>takseringen <strong>og</strong> 3Q på den ene siden <strong>og</strong> overvåking i et nytt landsdekkende standardrutenett<br />
på den andre siden. En gjennomarbeidet <strong>og</strong> kunnskapsbasert naturtypeinndeling vil dessuten heve<br />
kvaliteten <strong>og</strong> relevansen på data innsamlet i naturovervåkingspr<strong>og</strong>rammer (punkt 4) <strong>og</strong> fremme<br />
kommunikasjon <strong>og</strong> flerbruk av data (punkt 2). En standardisert natursysteminndeling er en forutsetning<br />
for å generalisere arealestimater fra arealtyperepresentativ kartlegging <strong>og</strong> overvåking til arealstatistikk<br />
for et større definisjonsområde. Dokumentasjon av eksisterende kunnskap gjennom NiN <strong>og</strong> videre<br />
kunnskapsoppbygging (punkt 5) vil legge et godt grunnlag for beslutninger om ny arealtyperepresentativ<br />
kartlegging <strong>og</strong> overvåking, for eksempel av naturtyper som ikke kan rødlistevurderes på grunn av<br />
mangelfullt kunnskapsgrunnlag (kategorien DD – data deficient) <strong>og</strong> naturtyper som gjøres gjenstand for<br />
utvelgelse etter Naturmangfoldloven (punkt 1).<br />
Erfaringene fra utprøvingen av NiN som praktisk kartleggingssystem <strong>og</strong> annen bruk av NiN<br />
i NatTOvprosjektet i 2010 (I) tilsier at 1:5 000 er en hensiktsmessig målestokk for kartlegging<br />
av naturtyper på natursystem <strong>og</strong> landskapsdelnivåene. Denne målestokken bør derfor legges<br />
til grunn for naturtypekartlegging som skal inngå i en større overvåkingsundersøkelse, for<br />
eksempel ved basisovervåking av arealdekke i observasjonsenheter i et arealrepresentativt<br />
nettverk av overvåkingsflater. Erfaringene fra prøvekartlegging av de åtte kartleggingsflatene<br />
(grunnlagsundersøkelse I) fra ulike steder i Norge med svært ulike naturforhold viser at grundig<br />
feltkartlegging av 1 km2 etter NiN krever anslagsvis 1–2 ukeverk i felt av en erfaren kartlegger.<br />
Resultatene av kartleggingen viser imidlertid <strong>og</strong>så at fordi store deler av Norge har stor<br />
naturtypevariasjon på ned til fin <strong>og</strong> middels fin lokal romlig skala, betinget av top<strong>og</strong>rafisk variasjon <strong>og</strong><br />
variasjon i historisk hevd, vil mindre flater som er vesentlig mindre enn 1 km2 <strong>og</strong>så fange opp det meste<br />
av naturtypevariasjonen innenfor et lokalt område. Erfaringene fra 2010 indikerer at 500 ×500 m (0,25<br />
km2 ), som kan kartlegges i felt i løpet av 1–3 dager, kan være en hensiktsmessig flatestørrelse.<br />
• Sannsynlighetsbasert overvåking av naturtyper <strong>og</strong> arter (hovedelement 2). NiNs standardiserte<br />
typeinndeling av natursystemer gjør arealtypedata for betydelige arealer kompatible (punkt 1) <strong>og</strong><br />
fremmer dermed kommunikasjon <strong>og</strong> flerbruk av informasjon (punkt 2), for eksempel som treningsdata<br />
for romlig prediksjonsmodellering av naturtyper, som er en viktig forutsetning for sannsynlighetsbasert<br />
overvåking (punkt 6). En standardisert naturtypeinndeling vil dessuten være et viktig korrektiv til<br />
eksisterende arealstatistikk (punkt 3). Hele det norske fastlandarealet er vegetasjonskartlagt på grunnlag<br />
av satelittdata med en kornstørrelse (lineær pikseldimensjon) på 30 m (Johansen 2009). Satelittbaserte<br />
vegetasjonskart har imidlertid klare begrensninger med hensyn til maksimal oppnåelig presisjon<br />
(punkt 3; Erikstad et al. 2009). Gjennom femti år med tradisjonell feltbasert vegetasjonskartlegging er i<br />
overkant av 10% av det norske landarealet kartlagt i målestokk 1:50 000 eller finere (Balle 2000, Bryn<br />
95
96<br />
2006), det aller meste med Sk<strong>og</strong> <strong>og</strong> landskap (tidligere NIJOS) sin metode (Rekdal & Larsson 2005,<br />
Bryn 2006). Kun en mindre arealandel (i år 2000 mellom 2 <strong>og</strong> 3 % av det norske landarealet; jf. Balle<br />
2000) er vegetasjonskartlagt i finere målestokk enn 1:50 000. I tillegg er over 35 000 naturtypefigurer<br />
for spesifikke naturtyper kartlagt etter DNs håndbok 13 (Gaarder et al. 2007). Nytteverdien av all denne<br />
arealtypeinformasjonen, blant annet som datagrunnlag for utbredelsesmodellering, vil øke betydelig<br />
dersom den kan oversettes <strong>og</strong> gjøres tilgjengelig gjennom ett standard naturtypeinndelingssystem (punkt<br />
1). Standardisert angivelse av arters miljørelasjoner (deres naturtypetilhørighet) er en forutsetning for<br />
effektiv artsmodellering (punkt 6). Kombinering av romlige prediksjonsmodeller for mange arter som<br />
karakteriserer en naturtype kan dessuten være et alternativ til direkte modellering av en naturtype ved<br />
bruk av kjente naturtypefigurer (se grunnlagsundersøkelsene IV <strong>og</strong> VI).<br />
• Gradientbasert overvåking (hovedelement 3) . Overvåking på faste observasjonssteder innenfor<br />
referanseområder, mer eller mindre i tråd med ’Det norske konseptet for vegetasjonsøkol<strong>og</strong>isk<br />
intensiv overvåking’, innebærer først <strong>og</strong> fremst registreringer på fastmerkete observasjonssteder<br />
(’vegetasjonsruter’ eller faste fugletakseringslinjer el.l.) innenfor et gitt spekter av naturtyper innen<br />
utvalgte referanseområder (se kapittel 5.3.5). En standardisert typeinndeling på natursystemnivået kan<br />
forankre gradientbasert overvåking på faste observasjonssteder i arealrepresentativ overvåking (punkt 1<br />
om kompatibilitet <strong>og</strong> punkt 3 om kvalitet), for eksempel ved å legge til rette for estimering av totalt faktisk<br />
figurareal for den overvåkete naturtypen. Det kan være til hjelp ved vurdering av hvor representative<br />
dataene som er samlet inn i et gradientbasert utvalg er for den aktuelle naturtypen definisjonsområdet<br />
som helhet. En standardisert typeinndeling på natursystemnivået bidrar <strong>og</strong>så til mer presise<br />
definisjoner av naturtyper som skal overvåkes i faste vegetasjonruter <strong>og</strong> bedrer sammenliknbarheten<br />
mellom naturtyper mellom referanseområder i ulike regioner. Det eksplisitte skillet mellom lokale<br />
basisøkokliner <strong>og</strong> regionale økokliner som kilder til variasjon i NiN bidrar til dette. En god, standardisert<br />
naturtypeinndeling bidrar derfor til å heve kvaliteten på fastruteovervåking (punkt 3).<br />
• Effektstudier <strong>og</strong> andre overvåkingsrelaterte FoU-oppgaver (hovedelement 4) . En standardisert<br />
naturtypeinndeling vil på ulike måter (avhengig av formål <strong>og</strong> angrepsvinkel) kunne bidra til økt kvalitet på<br />
et stort spekter av overvåkingsrelaterte undersøkelser (punkt 3).<br />
• Overvåking rettet mot spesifikke artsforekomster <strong>og</strong>/eller naturtypefigurer (bielement 5) . For kartlegging<br />
<strong>og</strong> påfølgende overvåking av naturtypefigurer eller artsforekomster (for eksempel i naturtypefigurer, det<br />
vil si med naturtypefigurer som observasjonssteder), er muligheten for presis naturtypekartlegging, det<br />
vil si presis avgrensning av naturtypefigurer, avgjørende (jf. Gaarder et al. 2007). Denne muligheten<br />
fremmes av en standardisert naturtypeinndeling (punktene 3 <strong>og</strong> 5). NiN skal videreutvikles i et langsiktig<br />
tidsperspektiv (punkt 4), <strong>og</strong> systemet vil derfor stadig bli bedre egnet for naturbeskrivelse. NiN vil<br />
dermed bidra til å fremme kommunikasjon av resultater <strong>og</strong> flerbruk av overvåkingsdata (punkt 3) <strong>og</strong> til<br />
bedret tilgjengelighet til systematisert arealinformasjon (punkt 1) på grunnlag av resultater fra mange<br />
ulike kartleggings <strong>og</strong> overvåkingsaktiviteter som for eksempel MiSkartlegging i sk<strong>og</strong>, den kommunale<br />
naturtypekartleggingen <strong>og</strong> framtidig naturtypekartlegging i Norge (alle disse kartleggingsaktivitetene er<br />
eksempler på denne overvåkingsmetoden, jf. kapittel 5.3.7). NiN dokumenterer hvilke naturtyper som<br />
er dårlig kjent <strong>og</strong> bidrar dermed til å identifisere naturtyper som trenger tilleggskartlegging (punkt 1).<br />
En standardisert naturtypeinndeling er en forutsetning for å sette resultater fra store pr<strong>og</strong>rammer for<br />
kartlegging (<strong>og</strong> overvåking) rettet mot spesifikke naturtyper inn i en lands- eller landsdelssammenheng<br />
(arealregnskap for ulike naturtyper fra areal(type)representativ overvåking).<br />
• Arealdekkende kartlegging <strong>og</strong> overvåking av hele definisjonsområder (bielement 6) . NiNs<br />
typeinndelinger for landskapsdel- <strong>og</strong> natursystemnivåene (til dels <strong>og</strong>så et finere landskapsnivå; se<br />
Simensen & Uttakleiv 2011) er relevante for kartlegging <strong>og</strong> overvåking blant annet fordi de fremmer<br />
kompatibilitet mellom arealtypeinndelinger (punkt 1) <strong>og</strong> dermed kommunikasjon på tvers av sektorer<br />
uten tradisjon for samarbeid <strong>og</strong> kommunikasjon (punkt 2). NiNarbeidet har hatt som uttalt formål<br />
å videreføre etablerte kriterier for arealtypeinndeling så langt som råd innenfor et helhetlig sett av<br />
inndelings<strong>prinsipper</strong>. For eksempel er viktige markslagsdefinisjoner fra N5 (økonomisk kartverk; Bjørdal<br />
2007) <strong>og</strong> N50 (M711kartserien) lagt til grunn for inndelingen i natursystemhovedtyper i NiN versjon 1.0<br />
så langt NiNprinsippene har gjort dette mulig. En slik samordning gjør at store investeringer i nasjonal<br />
digital kartinfrastruktur kan utnyttes til arealregnskap for enheter <strong>og</strong>/eller grupper av enheter i NiNs<br />
natursystemtypeinndeling. Med sitt mål om klarest mulige avgrensningskriterier mellom typer bidrar NiN<br />
til å øke kvaliteten (punkt 3) på all arealdekkende kartlegging <strong>og</strong> overvåking av naturtyper.<br />
Muligheten for å beskrive tilstandsvariasjon (blant annet er gjengroingstilstand egen tilstandsøkoklin i NiN)<br />
som en eksplisitt kilde til variasjon i NiN versjon 1.0 åpner nye perspektiver på kartlegging <strong>og</strong> overvåking<br />
(punkt 3). Blant annet åpnes nye muligheter for overvåking <strong>og</strong> tilstandskontroll i spesielt verdifulle,<br />
kartlagte kulturlandskap i landbruket <strong>og</strong> for overvåking i verneområder. Det fleksible beskrivelsessystemet
for variasjon innen hovedtyper på natursystemnivået i NiN åpner muligheter for en detaljert oppfølging<br />
av virkemiddelbruken på grunnlag av innrapportering av arealbruk <strong>og</strong> skjøtselstiltak (for eksempel med<br />
referanse til eksplisitte målnivåer).<br />
En standardisert naturtypeinndeling er viktig som grunnlag for å systematisere kunnskap om arters<br />
relasjoner til miljøforholdene, <strong>og</strong> dermed <strong>og</strong>så for god forvaltning av kjente artsforekomster. NiN gir mulighet<br />
for standardisert beskrivelse av arters miljørelasjoner på natursystem <strong>og</strong> livsmedienivåene.<br />
5.5.6 Behov for videreutvikling av NiN som infrastruktur for naturovervåking<br />
Ett av hovedformålene med NatTOvprosjektet (se kapittel 3) har vært å prøve ut NiN som<br />
kartleggingssystem for naturtypevariasjon. NiN har <strong>og</strong>så vært en viktig del av infrastrukturen i to<br />
av undersøkelsene som belyser bruk av romlig prediksjonsmodellering i sannsynlighetsbasert<br />
naturtypeovervåking. Erfaringene med bruken av NiN som kartleggingssystem, som er drøftet i I: 4, <strong>og</strong><br />
erfaringene fra bruk av NiN i andre sammenhenger (drøftet i grunnlagsundersøkelsene IV <strong>og</strong> VI) kan kort<br />
oppsummeres i følgende punkter:<br />
• NiN har passert første test som naturtypekartleggingssystem,<br />
både for identifisering <strong>og</strong> avgrensning av<br />
spesifikke naturtyper som skal kartlegges eller overvåkes (IV <strong>og</strong> VI) <strong>og</strong> for totalkartlegging (I). De seks<br />
kartleggerne som deltok i utprøvingen av kartlegging etter NiN sommeren 2010 ga entydig uttrykk for<br />
at systemet som sådan fungerte godt for kartlegging i 1:5 000, <strong>og</strong> at denne kartleggingsmålestokken er<br />
velegnet for kartlegging av naturtypefigurer for hoved- <strong>og</strong> grunntyper på natursystem- <strong>og</strong> landskapsdelnivåene<br />
i NiN.<br />
•<br />
NiN-dokumentasjonen må videreutvikles <strong>og</strong> tilrettelegges bedre for praktisk bruk dersom naturtypekart<br />
etter NiN skal bli presise. Utprøvingen av NiN i felt resulterte i identifisering av en lang rekke spesifikke<br />
naturtyper <strong>og</strong> kilder til variasjon der dokumentasjonen kan <strong>og</strong> bør forbedres (se liste i I: 4.2). De viktigste<br />
tilbakemeldingene fra kartleggerne var:<br />
◦ at arter i langt større grad enn tilfellet har vært til nå må tas i bruk som indikatorer for naturtyper <strong>og</strong><br />
økoklintrinn; <strong>og</strong><br />
◦ at det må utarbeides kortfattet men likevel presis avgrensningsinformasjon (<strong>og</strong> typebeskrivelser)<br />
som er spesielt tilrettelagt for bruk i praktisk kartlegging (i tillegg til at den mer fullstendige<br />
dokumentasjonen av NiN i Naturtypebasen må bygges videre ut, blant annet med beskrivelser av<br />
alle grunntyper <strong>og</strong> standardiserte eksempler).<br />
• Det må utvikles et differensiert kursopplegg for brukere av NiN.<br />
Såvel resultatene av<br />
naturtypekartleggingen som kartleggernes egne erfaringer identifiserer manglende kjennskap til<br />
systemet som en hovedårsak til feil, mangler <strong>og</strong> redusert presisjon ved kartleggingen. Erfaringene med<br />
NiN så langt indikerer at det er behov for differensiert utdanning, inkludert etter <strong>og</strong> videreutdanning,<br />
rettet mot flere ulike målgrupper:<br />
◦ brukere som trenger å kjenne til hovedtrekk i hvordan systemet er bygd opp (1 dag);<br />
◦ brukere som trenger noe mer inngående forståelse av hva naturvariasjon er, hvordan naturvariasjon<br />
blir systematisert i NiN <strong>og</strong> hovedtrekk i variasjonen i norsk natur (1–3 uker, inkludert undervisning i<br />
felt); <strong>og</strong><br />
◦ kartleggere <strong>og</strong> andre som skal bruke NiN som et viktig redskap i sitt arbeid (modulbasert studium<br />
som omfatter inntil ett semersters arbeid spredt ut over ett kalenderår).<br />
• Instruksen for kartlegging etter NiN må forbedres vesentlig (instruksen som ble benyttet ved kartlegging<br />
etter NiN sommeren 2010 er gjengitt som I: vedlegg 1), særlig med hensyn til kriteriene for utfigurering<br />
av mosaikkfigurer.<br />
Feltutprøvingen av NiN som kartleggingssystem sommeren 2010 ga ikke svar på hvor presise<br />
naturtypekart det i teorien kan være mulig å lage på grunnlag av et system som er basert på prinsippene<br />
som ligger til grunn for NiN. Undersøkelsen avdekket at kartpresisjonen uansett vil variere mye mellom<br />
kartleggingsområder <strong>og</strong> være større i områder med ’enklere’ naturvariasjon enn i områder med mer<br />
kompleks naturvariasjon. Undersøkelsen viste at gradvise overganger (som finnes over alt i naturen) alltid vil<br />
være en viktig kilde til usikkerhet ved grensetrekking: Når naturvariasjonen er kontinuerlig er jo alle grenser<br />
kunstige (jf. det teoretiske grunnlaget for NiN; Halvorsen 2009b). Dessuten er ingen steder helt like, <strong>og</strong><br />
tolkningsforskjeller er unngåelig. Uansett hvor utfyllende avgrensningsinformasjon som blir utarbeidet vil det<br />
finnes arealer der kriteriene er vanskelig eller umulig å bruke, fordi indikatorarter mangler eller forekommer<br />
utenfor sin normale økol<strong>og</strong>iske amplitude eller av andre grunner.<br />
Den gjennomsnittlige presisjonen i de parallelle naturtypekartene for de åtte kartleggingsområdene<br />
var 82,1 % for kartlegging til dominerende hovedtype, men bare 35,4 % til dominerende grunntype innen<br />
97
naturtypefigurer som var kartlagt til samme dominerende hovedtype. Det er behov for løpende oppdatering<br />
av disse tallene etter hvert som dokumentasjonen for NiN <strong>og</strong> kartleggingsinstruksen utvikles videre <strong>og</strong><br />
opplæring av kartleggere settes i system.<br />
Utprøvingen av NiN som kartleggingssystem i 2010 identifiserer noen få forbedringspunkter i sjølve<br />
typeinndelingen. Disse bør tas i betraktning når arbeidet med versjon 2.0 av NiN starter opp seinere i 2011.<br />
5.5.7 Naturtypebasert tilnærming til overvåking av rødlistearter<br />
Rødlistearter (<strong>og</strong> andre sjeldne arter det knytter seg overvåkingsinteresse til, for eksempel arter som<br />
blir definert som ’nasjonale ansvarsarter’) kan ofte med fordel kartlegges <strong>og</strong> overvåkes gjennom en<br />
naturtypebasert tilnærming. Den økol<strong>og</strong>iske begrunnelsen for en slik tilnærming er at mindre vanlige arter<br />
ofte har spesialiserte miljøkrav [mindre vanlige arter med snever økol<strong>og</strong>isk amplitude betegnes satellittarter<br />
av Collins et al. (1993)] <strong>og</strong> ofte har tendens til å danne konsentrasjoner (såkalte hotspots i naturen; se <strong>og</strong>så<br />
kapittel 5.3.5). Hotspots kan være konsentrasjoner av arter fra samme eller fra forskjellige artsgrupper.<br />
I hvilken grad det forekommer hotspots i naturen er sterkt omdiskutert; spørsmål som er mye diskutert<br />
i litteraturen er på hvilken skala hotspots kan identifiseres, i hvilke typer av natur, <strong>og</strong> hvilke artsgrupper<br />
som eventuelt har sammenfallende hotspots. Dette kan belyses av noen eksempler: Prendergast et al.<br />
(1993) viser at det er lite sammenfall mellom hotspots for fugler, vannplanter <strong>og</strong> levermoser i Storbritannia;<br />
Dobson et al. (1997) viser at det bare er et begrenset sammenfall mellom hotspots for rødlistete arter<br />
mellom karplanter <strong>og</strong> seks dyregrupper i U.S.A.; Gjerde et al. (2004) finner liten grad av overlapp mellom<br />
konsentrasjoner av rødlistearter for ulike artsgrupper <strong>og</strong> svak sammenheng mellom generell artsrikdom<br />
<strong>og</strong> forekomst av rødlistearter i boreal barsk<strong>og</strong> i Norge; mens Perhans et al. (2007) finner at fordelingen av<br />
artsrikdom <strong>og</strong> artssammensetning hos moser <strong>og</strong> lav er forskjellig i ulike kategorier av sk<strong>og</strong>teiger som er<br />
unntatt fra h<strong>og</strong>st. R. Økland et al. (2001) <strong>og</strong> Sætersdal et al. (2003) viser imidlertid at karplantefloraen kan gi<br />
en god indikasjon på hvordan artsmangfold <strong>og</strong> artssammensetning for andre artsgrupper fordeler seg i sk<strong>og</strong>.<br />
Derfor er det ofte ikke et enteneller, men et både<strong>og</strong> med hensyn til hvilke prediktorer som er best egnet<br />
til utvelgelse av områder for bevaring av biol<strong>og</strong>isk mangfold; Gjerde et al. (2007) <strong>og</strong> Juutinen et al. (2008)<br />
konkluderer begge at artsmangfoldet i sk<strong>og</strong> best fanges opp når man fanger opp variasjonen langs økokliner<br />
<strong>og</strong> kombinerer dette med å ta vare på særlig artsrike lokaliteter. Sannsynligvis reflekterer den tilsynelatende<br />
uenigheten i litteraturen om eksistensen av hotspots at svaret på spørsmålet er artsgruppe, skala <strong>og</strong><br />
organismegruppe-spesifikt: det finnes et stort mangfold av forklaringer på (variasjonen i) mangfold i naturen<br />
(Tilman 1999, R. Økland et al. 2003). Oversiktene over rødlisteartenes fordeling på habitater i Kålås et al.<br />
(2010a) viser da <strong>og</strong>så at det finnes naturtyper med såvel større som mindre konsentrasjoner av rødlistearter<br />
fra ulike artsgrupper.<br />
Naturtypebaserte tilnærminger til overvåking av rødlistearter blir ofte betegnet ’hotspot-tilnærminger’<br />
(SverdrupThygeson et al. 2008). SverdrupThygeson et al. (2008) skriver i den forbindelse at ’en del arter<br />
med velkjente <strong>og</strong> spesifikke habitatkrav <strong>og</strong> begrenset ge<strong>og</strong>rafisk utbredelse kan forholdsvis effektivt dekkes<br />
ved intensiv overvåking av habitater med konsentrasjoner av flere rødlistearter (hotspots).’ Sverdrup<br />
Thygeson et al. (2008) foreslår en slik hotspot-tilnærming til artsovervåking som et supplement til<br />
overvåking rettet mot spesifikke arts- <strong>og</strong> naturtypefigurer (bielement 5 i framlegget til helhetlig pr<strong>og</strong>ram for<br />
kartlegging <strong>og</strong> overvåking av naturmangfold): ’For en stor andel av disse artene [prioriterte arter for hver<br />
artsgruppe] anbefales overvåking som spesialobjekter, dvs. vanligvis ved oppfølging av kjente forekomster.<br />
I tillegg kan en del arter, spesielt av insekter, sopp <strong>og</strong> til dels karplanter, følges opp ved intensivovervåking<br />
av konsentrasjoner av arter i hotspothabitater: Kalkrike, tørre berg <strong>og</strong> enger for karplanter, lav <strong>og</strong> insekter,<br />
gamle/hule eiker for sopp, lav <strong>og</strong> insekter, <strong>og</strong> naturbeitemarker for sopp.’<br />
Oversikten over overvåkingsmetoder (kapitlene 5.3.1 <strong>og</strong> 5.5.2) <strong>og</strong> drøftingen av sammenhenger<br />
mellom datainnsamlingsmetode <strong>og</strong> egenskaper ved indikatorer <strong>og</strong> indikatorvariabler (kapittel 5.4) viser<br />
imidlertid at overvåking rettet mot spesifikke artsforekomster <strong>og</strong>/eller naturtypefigurer bare er én blant<br />
flere overvåkingsmetoder som kan nyttes til kartlegging <strong>og</strong> overvåking av hotspots. Ettersom denne<br />
overvåkingsmetoden gir svakt grunnlag for generalisering av resultater <strong>og</strong> derfor bare anbefales som en<br />
nødløsning i tilfeller der andre overvåkingsmetoder ikke strekker til (kapitler 5.3.6 <strong>og</strong> 5.5.2), bør andre<br />
alternativer først vurderes:<br />
1. Arealrepresentativ overvåking med spesialtilpasninger (hovedelement 1) for den aktuelle naturtypen kan<br />
være en aktuell overvåkingsmetode for hotspots med tilstrekkelig høyt totalt faktisk figurareal, høy nok<br />
prevalens <strong>og</strong> høy predikerbarhet samt andre utbredelsesegenskaper som gjør det mulig å fange den<br />
opp i et spesialtilpasset nettverk av observasjonssteder. Både direkte indikatorer (f.eks. rødlistete arter)<br />
<strong>og</strong> indirekte indikatorer på mangfoldet av rødlistearter (f.eks. naturtypetilstand <strong>og</strong> faktisk figurareal) kan<br />
være relevante (se VI for eksempel).<br />
98
Tabell 10. Eksempler på overvåkingstemaer som kan være aktuelle for et helhetlig nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av naturmangfold.<br />
Kunnskapsbehov refererer seg til inndelingen i kapittel 5.1: SNI = behov for stedfestet naturinformasjon; KKSE = behov for kvalitetssikret kunnskap om status <strong>og</strong>/<br />
eller endringer for naturfenomener (naturtyper <strong>og</strong> arter) som det knytter seg spesiell forvaltningsinteresse til; IKØ = behov for dyp innsikt i komplekse økosystemers<br />
struktur, funksjon <strong>og</strong> dynamikk; USF = behov for uttesting av spesifikke forvaltningstiltak; EM = evaluering av måloppnåelse. Definisjonsområde (nasjonal<br />
overvåking eller områdebasert overvåking) er definert i kapittel 2.4. Relevante indikatorer <strong>og</strong> indikatorvariabler beskrives ved hjelp av begrepsapparatet i kapittel 2.<br />
Overvåkingsmetodene er beskrevet i kapittel 5.5.2 (se Fig. 21); utfyllende beskrivelse av datainnsamlingsmetoder finnes i kapittel 5.3.<br />
Behov for tilpasninger, avklaringer, nødvendig infrastruktur <strong>og</strong><br />
følgeforskning<br />
Kommentarer<br />
Egnet(e)<br />
overvåkingsmetode(r)<br />
(hvordan<br />
overvåke?)<br />
Eksisterende<br />
relevant kartlegging<br />
<strong>og</strong><br />
overvåking<br />
Relevante<br />
indikatorer <strong>og</strong><br />
indikatorvariabler<br />
(hva skal<br />
overvåkes?)<br />
Definisjonsområde<br />
Overvåkingstema Kunnskapsbehov(hvorforovervåke?)<br />
* Avklaringsbehov:<br />
– Bruk av eksisterende nett (Landssk<strong>og</strong>takseringens nett eller<br />
LUCAS-nettet) eller etablering av nytt nett?<br />
– Åpent eller lukket nett (se kapittel 5.5.2)?<br />
– Størrelse på observasjonsflater for total naturtypekartlegging (se<br />
kapittel 5.5.5, 1. prikkpunkt)<br />
– Valg av indikatorvariabler (arealdekke, tilstand ...?)<br />
* Nødvendig infrastruktur:<br />
– Utvikling av NiN slik at kartleggingspresisjonen blir vesentlig høyere<br />
enn i dag (kapittel 5.5.6)<br />
– Utvikling av metodikk for optimal utnyttelse av<br />
fjernmålingsinformasjon (flyfoto, IR-bilder, LiDAR-data)<br />
Arealrepresentativ<br />
overvåking<br />
Landssk<strong>og</strong>takseringen;<br />
3Q<br />
Naturtyper som<br />
det knytter seg<br />
generell interesse<br />
eller spesiell<br />
forvaltningsinteresse<br />
til<br />
Hele<br />
Norge<br />
KKSE<br />
(Naturindeks)<br />
Landsdekkende<br />
arealtyperegnskap<br />
for relativt vanlige<br />
<strong>og</strong> vidt utbredte<br />
naturtyper<br />
* Avklaringsbehov:<br />
– Er dagens kartleggingsstatus for slåttemark god (er dekningen god<br />
<strong>og</strong> jevn nok; er presisjonen i avgrensning av naturtypefigurene god<br />
nok som grunnlag for lovhåndheving)?<br />
* Tilpasningsbehov (hvis avklaringen viser behov for tilpasninger/<br />
tilleggsregistreringer):<br />
– Ytterligere presisering av hvordan slåttemark skal defineres eller<br />
avgrenses mot andre naturtyper?<br />
– Supplerende kartlegging/revisjon av utfigurering?<br />
Kartlegging<br />
av<br />
spesifikke<br />
naturtypefigurer<br />
Naturtypekartlegging<br />
etter DNs<br />
Håndbok 13<br />
Kulturmarkseng<br />
(slåtteeng),<br />
tilstedeværelse<br />
<strong>og</strong> arealdekke<br />
(figurareal)<br />
Ett eller<br />
flere<br />
fylker<br />
SNI<br />
(håndheving<br />
av Naturmangfoldloven)<br />
Stedfestet<br />
informasjon om<br />
slåttemark<br />
99
Tabell 10 (forts.).<br />
100<br />
Behov for tilpasninger, avklaringer, nødvendig infrastruktur <strong>og</strong><br />
følgeforskning<br />
Kommentarer<br />
Egnet(e)<br />
overvåkingsmetode(r)<br />
(hvordan<br />
overvåke?)<br />
Eksisterende<br />
relevant kartlegging<br />
<strong>og</strong><br />
overvåking<br />
Relevante<br />
indikatorer <strong>og</strong><br />
indikatorvariabler<br />
(hva skal<br />
overvåkes?)<br />
Definisjonsområde<br />
Overvåkingstema Kunnskapsbehov(hvorforovervåke?)<br />
* Nødvendig infrastruktur (se kapittel 6):<br />
– Tilstrekkelig god romlig prediksjonsmodell; som i sin tur forutsetter<br />
– utvikling av nye prediktorvariabler (historisk bruk, geol<strong>og</strong>isk rikhet,<br />
terrengmodell?)<br />
– Utvikling av mer presise kriterier for angivelse av<br />
gjengroingstilstand<br />
* Avklaringsbehov:<br />
– Tilpassing av metodikken for sannsynlighetsbasert overvåking<br />
(hvordan velge observasjonssteder, hvor mange, operasjonalisering<br />
av indikatorvariabler etc.)<br />
* Behov for følgeforskning:<br />
– Case study med sannsynlighetsbasert overvåking<br />
Ingen Sannsynlighetsbasert<br />
overvåking<br />
Kulturmarkseng<br />
(slåtteeng),<br />
gjengroingstilstand<br />
<strong>og</strong><br />
arealdekke<br />
(figurareal);<br />
utvalgte arter<br />
(tilstedeværelse,<br />
individantall)<br />
Hele<br />
Norge<br />
KKSE<br />
(potensiell<br />
rødlista <strong>og</strong><br />
utvalgt naturtype)<br />
Tilstand <strong>og</strong><br />
endringer i<br />
slåttemark<br />
* Avklaringsbehov:<br />
– Formulering av etterprøvbare resultatmål <strong>og</strong> valg av indikatorer <strong>og</strong><br />
indikatorvariabler som egner seg for å evaluere måloppnåelse<br />
– Utredning av hvilke(n) overvåkingsmetode(r) som er best egnet for<br />
evaluering av måloppnåelse, betinger kanskje case studies<br />
* Behov for følgeforskning:<br />
– Parallelle effektstudier kan være nødvendig for å optimalisere<br />
skjøtselsplaner<br />
Ingen Gradientbasert<br />
overvåking<br />
på faste<br />
observasjonssteder,arealdekkende<br />
overvåking,<br />
overvåking<br />
rettet mot<br />
spesifikke<br />
naturtypefigurer,<br />
effektstudier<br />
Kulturmarkseng,<br />
gjengroingstilstand<br />
<strong>og</strong><br />
arealdekke<br />
(figurareal);<br />
utvalgte arter<br />
(tilstedeværelse,<br />
individantall);<br />
artssammensetning<br />
EM, USF Enkeltområder<br />
Evaluering av<br />
forvaltningsplan<br />
for ’Utvalgte<br />
kulturlandskap i<br />
jordbruket’
Tabell 10 (forts.).<br />
Behov for tilpasninger, avklaringer, nødvendig infrastruktur <strong>og</strong><br />
følgeforskning<br />
Kommentarer<br />
Egnet(e)<br />
overvåkingsmetode(r)<br />
(hvordan<br />
overvåke?)<br />
Eksisterende<br />
relevant kartlegging<br />
<strong>og</strong><br />
overvåking<br />
Relevante<br />
indikatorer <strong>og</strong><br />
indikatorvariabler<br />
(hva skal<br />
overvåkes?)<br />
Definisjonsområde<br />
Overvåkingstema Kunnskapsbehov(hvorforovervåke?)<br />
* Avklaringsbehov:<br />
– Endelig avklaring <strong>og</strong> fastsettelse av omdrev<br />
– Vurdering av om antallet referanseområder (nå 15 i aktiv drift) er<br />
tilstrekkelig for at modellbaserte slutninger skal få ønsket presisjon<br />
– Vurdering av indikatorvariabler (populasjonsegenskaper for<br />
nøkkelarter inkludert treslagene, jordkjemiske variabler)<br />
– Vurdering av behov for bedre bakgrunnsinformasjon (sk<strong>og</strong>historie,<br />
historisk hevd, resent bruk etc.)<br />
Gradientbasert<br />
overvåking<br />
på faste<br />
observasjonssteder<br />
Vegetasjonsøkol<strong>og</strong>isk<br />
overvåking i<br />
TOV<br />
Fastmarkssk<strong>og</strong>smark<br />
(utvalgte<br />
grunntyper);<br />
enkle<br />
komposisjonsvariabler<br />
(artsmengde)<br />
for mange arter,<br />
sammensatte<br />
komposisjonsvariabler(artssammensetning<br />
<strong>og</strong><br />
artsantall) <strong>og</strong><br />
tilstandsvariabler<br />
(miljøvariabler)<br />
IKØ Hele<br />
Norge<br />
Effekter av<br />
klimaendringer på<br />
planteartsmangfold<br />
<strong>og</strong> miljøforhold i<br />
sk<strong>og</strong><br />
101
Tabell 10 (forts.).<br />
102<br />
Behov for tilpasninger, avklaringer, nødvendig infrastruktur <strong>og</strong><br />
følgeforskning<br />
Kommentarer<br />
Egnet(e)<br />
overvåkingsmetode(r)<br />
(hvordan<br />
overvåke?)<br />
Eksisterende<br />
relevant kartlegging<br />
<strong>og</strong><br />
overvåking<br />
Relevante<br />
indikatorer <strong>og</strong><br />
indikatorvariabler<br />
(hva skal<br />
overvåkes?)<br />
Definisjonsområde<br />
Overvåkingstema Kunnskapsbehov(hvorforovervåke?)<br />
* Avklaringsbehov:<br />
– Er det mulig å identifisere alle figurer av denne naturtypen på<br />
grunnlag av løsmassekart <strong>og</strong> høydemodell (djup dødisgrop i landskap<br />
med tjukke løsmasser) samt inspeksjon av flybilder/IR-bilder (skiller<br />
seg fra omkringliggende lavdominert natur ved mørk farge (moser)? I<br />
så fall bør arealdekkende dataionnsamling (eventuelt overvåking i et<br />
utvalg av totalpopulasjonen) velges<br />
– Hvis ikke, er det mulig å identifisere naturtypen på grunnlag<br />
av fjernmåleinformasjon (<strong>og</strong> er den vanlig nok) til at den kan<br />
overvåkes i fortettet arealrepresentativt nettverk? Hvis ikke, velg<br />
sannsynlighetsbasert overvåking<br />
– Tilpassing av valgt overvåkingsmetodikk (hvordan velge<br />
observasjonssteder, hvor mange, operasjonalisering av<br />
indikatorvariabler etc.)<br />
* Behov for følgeforskning:<br />
– Case study med utprøving av ulike overvåkingsmetoder<br />
Ingen Arealdekkendedatainnsamling;arealrepresentativ<br />
overvåking<br />
med spesialtilpasninger<br />
eller<br />
sannsynlighetsbasert<br />
overvåking<br />
isinnfrysingsmark;<br />
tilstedeværelse<br />
<strong>og</strong> arealdekke<br />
(figurareal)<br />
Hele<br />
Norge<br />
Isinnfrysingsmark SNI,<br />
KKSE<br />
(uvanlig<br />
naturtype<br />
med lite<br />
kjent utbredelse)<br />
* Nødvendig infrastruktur:<br />
– Tilstrekkelig god romlig prediksjonsmodell; som i sin tur kan<br />
forutsette<br />
– bedre prediktorvariabler (digital terrengmodell)<br />
* Behov for følgeforskning:<br />
– Case study med sannsynlighetsbasert overvåking<br />
Sannsynlighetsbasert<br />
overvåking<br />
Kartlagt i AR<br />
KO; ingen<br />
overvåking<br />
pågår<br />
sammensatt<br />
livsmediumobjekt<br />
(NiN) ’hul eik’;<br />
tilstedeværelse<br />
Hele<br />
Norge<br />
KKSE<br />
(potensiell<br />
rødlista <strong>og</strong><br />
utvalgt naturtype)<br />
Tilstand <strong>og</strong><br />
endringer for ’hule<br />
eiker’
Tabell 10 (forts.).<br />
Behov for tilpasninger, avklaringer, nødvendig infrastruktur <strong>og</strong><br />
følgeforskning<br />
Kommentarer<br />
Egnet(e)<br />
overvåkingsmetode(r)<br />
(hvordan<br />
overvåke?)<br />
Eksisterende<br />
relevant kartlegging<br />
<strong>og</strong><br />
overvåking<br />
Relevante<br />
indikatorer <strong>og</strong><br />
indikatorvariabler<br />
(hva skal<br />
overvåkes?)<br />
Definisjonsområde<br />
Overvåkingstema Kunnskapsbehov(hvorforovervåke?)<br />
* Nødvendig infrastruktur:<br />
– Tilstrekkelig god romlig prediksjonsmodell; kan bygge på romlig<br />
prediksjonsmodell for lind etter mønster av eikemodellen (se kapittel<br />
5) med forbedringer på grunnlag av<br />
– bedre prediktorvariabler (historisk bruk, geol<strong>og</strong>isk rikhet,<br />
terrengmodell?)<br />
* Avklaringsbehov:<br />
– Tilpassing av metodikken for sannsynlighetsbasert overvåking<br />
(hvordan velge observasjonssteder, hvor mange, operasjonalisering<br />
av indikatorvariabler etc.)<br />
* Behov for følgeforskning:<br />
– Case study med sannsynlighetsbasert overvåking<br />
Sannsynlighetsbasert<br />
overvåking<br />
Kartlagt i AR<br />
KO; ingen<br />
overvåking<br />
pågår<br />
Fastmarkssk<strong>og</strong>smark<br />
(kombinasjon<br />
av grunntyper<br />
<strong>og</strong> kilder til<br />
variasjon), arealdekke<br />
(figurareal)<br />
<strong>og</strong> tilstand<br />
(tresjiktssuksesjonstilstand);<br />
utvalgte arter?<br />
(tilstedeværelse,<br />
individantall)<br />
Hele<br />
Norge<br />
KKSE<br />
(potensiell<br />
rødlista <strong>og</strong><br />
utvalgt naturtype)<br />
Tilstand <strong>og</strong> endring<br />
for kalklindesk<strong>og</strong><br />
* Avklaringsbehov:<br />
– Er det mulig/hensiktsmessig å overvåke naturtypen i<br />
standard arealrepresentativt nettverk med fortetting, eller er<br />
sannsynlighetsbasert datainnsamling mer hensiktsmessig?<br />
– Tilpassing av valgt metodikk (hvordan velge observasjonssteder,<br />
hvor mange, operasjonalisering av indikatorvariabler etc.=<br />
* Nødvendig infrastruktur:<br />
– Presisering av avgrensningskriterier for naturtypen mot<br />
kulturmarkseng, fastrmarkssk<strong>og</strong>smark <strong>og</strong> eventuelle andre naturtyper<br />
– (hvis sannsynlighetsbasert overvåking:) Tilstrekkelig god<br />
romlig prediksjonsmodell; kan bygge på erfaringene med romlig<br />
prediksjonsmodell for denne naturtypen i Oslofjordområdet (se<br />
kapittel 7) med forbedringer på grunnlag av<br />
– bedre prediktorvariabler (digital høydemodell, geol<strong>og</strong>isk rikhet?)<br />
* Behov for følgeforskning:<br />
– Case study med utprøving av overvåkingsmetoder<br />
Sannsynlighetsbasert<br />
overvåking<br />
eller<br />
arealtyperepresentativ<br />
overvåking<br />
Kartlagt i AR<br />
KO; ingen<br />
overvåking<br />
pågår<br />
Åpen grunnlendt<br />
kalkmark<br />
(kombinasjon<br />
av grunntyper),<br />
arealdekke<br />
(figurareal) <strong>og</strong><br />
tilstand (slitasje?);<br />
utvalgte arter<br />
(tilstedeværelse,<br />
individantall,<br />
andre populasjonsegenskaper?)<br />
Hele<br />
Norge<br />
KKSE<br />
(potensiell<br />
rødlista <strong>og</strong><br />
utvalgt naturtype)<br />
Tilstand <strong>og</strong> endring<br />
for åpen grunnlendt<br />
kalkmark<br />
103
Tabell 10 (forts.).<br />
104<br />
Behov for tilpasninger, avklaringer, nødvendig infrastruktur <strong>og</strong><br />
følgeforskning<br />
Kommentarer<br />
Egnet(e)<br />
overvåkingsmetode(r)<br />
(hvordan<br />
overvåke?)<br />
Eksisterende<br />
relevant kartlegging<br />
<strong>og</strong><br />
overvåking<br />
Relevante<br />
indikatorer <strong>og</strong><br />
indikatorvariabler<br />
(hva skal<br />
overvåkes?)<br />
Definisjonsområde<br />
Overvåkingstema Kunnskapsbehov(hvorforovervåke?)<br />
* Kommentar: Arten ble i perioden 1996–2005 observert på 16 (av<br />
totalt 41) forekomster som er kjent fra Norge; i 2005 ble til sammen<br />
71 skudd observert, fordelt på 12 forekomster (Anonym 2006c). For<br />
en så sjelden art er ingen annen overvåkingsmetode enn oppfølging<br />
av alle kjente forekomster (selektiv datainnsamling) aktuell<br />
Overvåking<br />
rettet mot<br />
alle kjente<br />
artsforekomster<br />
Årlig oppfølging<br />
med<br />
overvåking<br />
av alle kjente<br />
forekomster<br />
arten; enkle<br />
komposisjonsvariabler<br />
(artsmengde,<br />
reproduksjon,<br />
rekruttering,<br />
vekst)<br />
Hele<br />
Norge<br />
SNI,<br />
KKSE,<br />
EM<br />
Oppfølging av<br />
handlingsplan for<br />
rød sk<strong>og</strong>frue<br />
* Nødvendig infrastruktur (se Auestad et al . i trykk):<br />
– Tilstrekkelig god romlig prediksjonsmodell for artsrikdom av<br />
fremmede arter, kanskje basert på ’addisjon’ av modeller for utvalgte<br />
enkeltarter (se kapittel 6 <strong>og</strong> 7)<br />
– Utvikling av bedre prediktorvariabler (?)<br />
* Avklaringsbehov:<br />
– Tilpassing av metodikken for sannsynlighetsbasert overvåking<br />
(hvordan velge observasjonssteder, hvor mange, operasjonalisering<br />
av indikatorvariabler etc.)<br />
Sannsynlighetsbasert<br />
overvåking<br />
Ingen<br />
systematisk<br />
overvåking<br />
pågår (men<br />
se Fremstad<br />
& Pedersen<br />
2009)<br />
utvalgte arter<br />
(tilstedeværelse,<br />
individantall);<br />
artssammensetning<br />
KKSE Vegkanter<br />
i hele<br />
Norge<br />
eller en<br />
landsdel<br />
Spredning av fremmede<br />
arter langs<br />
vegnettet i Norge
2. Sannsynlighetsbasert overvåking av naturtyper (hovedelement 2) er en svært aktuell overvåkingsmetode<br />
for hotspots fordi mange hotspots antas å være vanskelig å fange opp ved arealrepresentativ<br />
datainnsamling, <strong>og</strong>så dersom det gjøres spesialtilpasninger. Både direkte indikatorer (f.eks.<br />
tilstedeværelse av rødlistete arter <strong>og</strong> egenskaper ved artsforekomstene, f.eks. populasjonsegenskaper)<br />
<strong>og</strong> indirekte indikatorer på mangfoldet av rødlistearter (f.eks. naturtypetilstand <strong>og</strong> faktisk figurareal) er<br />
aktuelle i overvåkingssammenheng.<br />
3. Gradientbasert fastruteovervåking, der naturtypen detaljundersøkes i utvalgte referanseområder,<br />
kan være aktuelt dersom det er behov for inngående kunnskap, for eksempel om variasjon i<br />
artssammensetning, innenfor naturtypen (se kapittel 5.3.5).<br />
Alle disse tilnærmingene til kartlegging <strong>og</strong> overvåking av rødlistearter forutsetter at det finnes en<br />
presis definisjon av den (eller de) utvalgte naturtypen(e) som utgjør hotspotet. Bare da er det mulig å<br />
overvåke arealutvikling (se kapittel 5.5.5 punkt 4), <strong>og</strong> bare da vil det kunne være mulig å generalisere<br />
overvåkingsresultatene til et arealregnskap (kapittel 5.5.4). En klar intensjon med NiN er at systemet skal<br />
inneholde mest mulig presise definisjoner av naturtyper på ulike organisasjons- <strong>og</strong> generaliseringsnivåer<br />
samt inneholde et begrepsapparat som gjør en presis beskrivelse av tilstandsvariasjon mulig (kapittel 5.5.5;<br />
se <strong>og</strong>så Halvorsen et al. 2009a). Hotspots som er kartlagt i ARKO, et prosjelt under arbeidsgruppa for truete<br />
arter under ’Nasjonalt pr<strong>og</strong>ram’ (SverdrupThygeson et al. upubl. undersøkelse) er avgrenset ved bruk av<br />
NiN versjon 1.0.<br />
Overvåking av hotspots på grunnlag av selektiv datainnsamling i naturtypefigurer som er vurdert å høre<br />
innunder hotspotet (overvåking rettet mot spesifikke artsforekomster <strong>og</strong>/eller naturtypefigurer) er i prinsippet<br />
ikke forskjellig fra overvåking som er direkte rettet mot spesifikke artsforekomster. Men registrering av<br />
populasjonsstørrelser for rødlistearter innenfor selektivt samplete naturtypefigurer innebærer en flytting av<br />
fokus fra enkeltarter til grupper av arter som opptrer sammen i samme naturtype, <strong>og</strong> fra polygonavgrensete<br />
enkeltartsforekomster til polygonavgrensete arealenheter definert på grunnlag av naturtype<br />
(naturtypefigurer). Den eneste prinsipielle forskjellen (i tillegg til økt effektivitet ved at mange rødlistearter<br />
kan overvåkes på de samme overvåkingsstedene) er at overvåkingen snevres inn til et begrenset utvalg<br />
av naturtyper. De fleste arter som er knyttet til en gitt type hotspot finnes imidlertid <strong>og</strong>så i andre naturtyper.<br />
Dermed vil en hotspottilnærming til overvåking av rødlistearter innebære at en del av lokalitetene for hver<br />
enkelt art unnslipper kartlegging <strong>og</strong> overvåking. Dette representerer et problem når resultater av overvåking<br />
med denne tilnærmingsmåten skal generaliseres.<br />
Overvåking rettet mot spesifikke arts- <strong>og</strong> naturtypefigurer vil normalt ikke møte følgende to forutsetninger<br />
for generalisering av resultater:<br />
1.<br />
2.<br />
Andelen av en arts totale populasjonsstørrelse (eller andelen av det totale forekomstantallet for arten)<br />
innenfor overvåkingens definisjonsområde som hører til den aktuelle naturtypen må være kjent. Dersom<br />
vi har til hensikt å si noe om arten som sådan innenfor definisjonsområdet er kunnskap om hvorvidt<br />
artens utvikling følger samme mønster i andre naturtyper en forutsetning, Slik kunnskap blir viktigere<br />
desto lavere andel av en arts totale populasjonsstørrelse (eller av det totale forekomstantallet for arten)<br />
som hører til en gitt naturtype. For arter med begrenset antall forekomster vil sannsynligvis kartlegging<br />
<strong>og</strong> overvåking av alle kjente lokaliteter for arten være mer hensiktsmessig enn en hotspottilnærming<br />
(fordi bare overvåking av alle kjente forekomster gir grunnlag for å vurdere hvorvidt IUCN-kriteriene for<br />
rødlisting er oppfylt <strong>og</strong> fordi artsforvaltning er best tjent med et utfyllende kunnskapsgrunnlag). Denne<br />
forutsetningen må være oppfylt for at overvåking rettet mot spesifikke naturtypefigurer skal gi resultater<br />
som er relevant for vurdering av endringer i status for enkeltarter.<br />
Generalisering av resultater fra en naturtypebasert tilnærming til artsovervåking forutsetter, i tillegg til at<br />
punkt 1 er oppfylt, <strong>og</strong>så at resultatene av overvåking av naturtypen (hotspotet) lar seg generalisere ved<br />
drøfting. Informasjon som er viktig for slik drøfting er:<br />
a. Indikasjoner på at utvalget av observasjonssteder innenfor definisjonsområdet er uttømmende<br />
for hotspotet (at det er grunn til å anta at nær alle figurer av den aktuelle typen er kjent, slik<br />
at observasjonsstedene med rimelig sikkerhet kan antas å representere en arealdekkende<br />
datainnsamling).<br />
b. Arealrepresentativ informasjon om hotspotet, f.eks. fra arealrepresentativ overvåking med<br />
spesialtilpasninger eller sannsynlighetsbasert naturtypeovervåking.<br />
c. Kunnskap om artens prevalens i naturtypen innenfor overvåkingens definisjonsområde (f.eks. ved<br />
evaluert romlig prediksjonsmodell for naturtypen).<br />
Disse kravene oppfylles ikke ved selektiv datainnsamling, men forutsetter en overvåkingsmetode som gir<br />
grunnlag for aggregering av resultater til hele overvåkingsundersøkelsens definisjonsområde. Kravene<br />
105
til en hotspottilnærming til artsovervåking med hensyn til generaliserbarhet av resultater <strong>og</strong> dermed til<br />
overvåkingsmetode, bør være de samme som ved annen naturovervåking.<br />
5.5.8 Eksempler på hvordan aktuelle overvåkingstemaer kan innpasses i et helhetlig pr<strong>og</strong>ram for overvåking<br />
av naturmangfold<br />
Hensikten med denne rapporten er ikke å foreslå innholdet i et helhetlig pr<strong>og</strong>ram for overvåking av<br />
naturmangfold i Norge. Flere viktige avklaringer må gjøres før det er tid for å diskutere innhold (jf.<br />
’vegkartet’ i Fig. 20). Først trengs konsensus om metodeplattform for pr<strong>og</strong>rammet. Parallelt med<br />
drøfting av metodeplattformen må det faglige grunnlaget for naturmangfoldovervåking videreutvikles.<br />
Etter at metodeplattformen er på plass, må pågående overvåkingsaktiviteter evalueres <strong>og</strong> udekkete<br />
overvåkingsbehov utredes <strong>og</strong> prioriteres. Innholdet i pr<strong>og</strong>rammet vil utkrystallisere seg gjennom disse<br />
prosessene.<br />
Kapittel 5 har til hensikt å belyse ulike sider, teoretiske <strong>og</strong> praktiske, ved aktuelle metoder for<br />
naturovervåking. Kapittel 5.4 viser hvor mange, til dels kryssende, hensyn som influerer på hva som<br />
til syvende <strong>og</strong> sist blir en god <strong>og</strong> hva som blir en mindre god overvåkingsundersøkelse. Dette kapitlet<br />
inneholder en tabell (Tabell 10) med noen konkrete eksempler på overvåkingstemaer det kan komme til<br />
å bli aktuelt å vurdere når et helhetlig nasjonalt pr<strong>og</strong>ram for overvåking av naturmangfold skal fylles med<br />
innhold. Hensikten med tabellen er (1) å illustrere noen av elementene i prosessen fram mot et helhetlig<br />
pr<strong>og</strong>ram – Hvorfor overvåke? Hva skal overvåkes? Hvordan skal overvåkingen gjennomføres? (se kapittel<br />
5.1), (2) peke på noen av de vurderingene som må gjøres, (3) illustrere med eksempler metodene som<br />
inngår i metodeplattformen for et helhetlig pr<strong>og</strong>ram (Fig. 21), <strong>og</strong> (4) illustrere noen av de tilpasningene som<br />
må gjøres i pågående overvåking <strong>og</strong> noen av infrastrukturbehovene som må dekkes. Dersom tabellen bidrar<br />
til å konkretisere hvordan de foreslåtte overvåkingsmetodene kan brukes <strong>og</strong> noen av de utfordringene som<br />
ligger foran oss på vegen mot et helhetlig nasjonalt pr<strong>og</strong>ram for overvåking av naturmangfold, er hensikten<br />
oppnådd.<br />
106
6 Konklusjon <strong>og</strong> anbefalinger<br />
NatTOv-prosjektet har fire delmål hvorav tre blir behandlet i denne rapporten. Arbeidet med delmål 1,<br />
utprøving av NiN versjon 1.0 som kartleggingssystem, har først <strong>og</strong> fremst bestått i utarbeidelse av en<br />
kartleggingsinstruks <strong>og</strong> utprøving av denne til parallell kartlegging av åtte kartleggingsområder á 1 km 2<br />
i felt av to erfarne kartleggerteam. GISbasert analyse av digitaliserte naturtypekart <strong>og</strong> en omfattende<br />
spørreundersøkelse blant kartleggerne ga i hovedtrekk sammenfallende resultater (se I: 4 <strong>og</strong> 5.5.6), som kan<br />
oppsummeres i følgende fem punkter:<br />
•<br />
•<br />
•<br />
•<br />
•<br />
Natursystem <strong>og</strong> landskapsdelinndelingene i NiN versjon 1.0 er godt egnet for naturtypekartlegging i<br />
målestokk 1:5 000, <strong>og</strong> denne målestokken er trolig nær optimal for kartlegging av naturtyper på disse<br />
naturtypenivåene. NiNsystemet har potensiale for å kunne videreutvikles til å fylle den rollen som<br />
infrastruktur for naturovervåking som har vært en av hovedhensiktene med å utvikle systemet (se kapittel<br />
5.5.5).<br />
Parallelle naturtypekart er mer like i kartleggingsområder med ’enklere’ naturvariasjon enn i områder der<br />
naturvariasjonen er mer kompleks (der top<strong>og</strong>rafien er mer ’knudrete’ <strong>og</strong> det er sterkt preg av langvarig,<br />
tradisjonell hevd).<br />
Den viktigste årsaken til manglende presisjon i naturtypekartene er mangler i dokumentasjonen for NiN<br />
versjon 1.0, <strong>og</strong> at dokumentasjonen ikke er godt nok tilrettelagt for kartlegging.<br />
Andre viktige årsaker til redusert presisjon i naturtypekartene, var at opplæringen av, <strong>og</strong> kalibreringen<br />
mellom, kartleggerne ikke var god nok <strong>og</strong> uklarheter/mangler i kartleggingsinstruksen.<br />
Gradvis naturvariasjon vil alltid være en viktig kilde til usikkerhet ved grensetrekking, men det er<br />
foreløpig uvisst hvor stor del av uoverensstemmelsene mellom parallelle naturtypekart som er resultatet<br />
av gradvis variasjon.<br />
Bruk av NiN som grunnlag for avgrensning av naturtypefigurer i case studies for utprøving av metodikk for<br />
naturtypeovervåking basert på romlig prediksjonsmodellering (grunnlagsundersøkelsene IV <strong>og</strong> VI) avdekket<br />
<strong>og</strong>så behov for mer presise avgrensningskriterier mellom typer. Erfaringene fra NatTOvprosjektet gir<br />
grunnlag for følgende anbefalinger for videreutvikling av NiN som infrastruktur for kartlegging <strong>og</strong> overvåking<br />
av naturmangfold i Norge:<br />
1. For at naturtypekart basert på NiN skal bli mer presise, må NiN-dokumentasjonen videreutvikles <strong>og</strong> det<br />
må utarbeides produkter spesielt tilrettelagt for praktisk bruk (dette er utdypet i kapittel 5.5.6 <strong>og</strong> i I: 4.2,<br />
som <strong>og</strong>så innholder lister over konkrete forbedringspunkter). Særlig viktig er det at<br />
a. at arter i langt større grad enn i NiN versjon 1.0 tas i bruk som indikatorer for naturtyper <strong>og</strong><br />
økoklintrinn; <strong>og</strong><br />
b. at presis avgrensningsinformasjon (<strong>og</strong> typebeskrivelser) blir spesielt tilrettelagt for bruk i praktisk<br />
kartlegging, i tillegg til at den mer fullstendige dokumentasjonen av NiN i Naturtypebasen bygges<br />
videre ut (blant annet med beskrivelser av alle grunntyper <strong>og</strong> med standardiserte eksempler).<br />
2. Det må utvikles et differensiert kursopplegg for brukere av NiN (se I: 4.2).<br />
3. Instruksen for kartlegging etter NiN må forbedres vesentlig (se I: 4.2 punkt 2).<br />
Arbeidet med delmål 2, å bedre infrastrukturen for naturtypemodellering, har bestått i to aktiviteter:<br />
utarbeidelse av et landskapstypekart for Norge basert på inndelingen i NiN versjon 1.0 (II), <strong>og</strong> utvikling<br />
av prediktorvariabler til bruk i romlig prediksjonsmodellering av arter <strong>og</strong> naturtyper (del av III–VI).<br />
Arbeidet med landskapstypekartet har vist at landskapstypeinndelingen i NiN versjon 1.0 lar seg<br />
operasjonalisere <strong>og</strong>, med et par unntak, automatisere. På grunnlag av drøfting av erfaringer med,<br />
<strong>og</strong> resultatet av, landskapstypekartleggingen, ble det konkludert at det er god grunn til å anta at<br />
landskapstypeinndelingen vil kunne være velegnet som utgangspunkt for å avlede arealdekkeprediktorer for<br />
romlig prediksjonsmodellering. Det blir <strong>og</strong>så poengtert at landskapstypeinndelingen burde kunne utvikles til<br />
en mer detaljert inndeling som kan brukes som grunnlag for nasjonal landskapskartlegging i målestokk 1:50<br />
000 (Simensen & Uttakleiv 2011). Arbeidet med delmål 2 munner derfor ut i følgende anbefalinger:<br />
4. Landskapstypeinndelingen i NiN versjon 1.0 bør videreutvikles til en mer detaljert inndeling, tilrettelagt<br />
for kartlegging i målestokk 1:50 000.<br />
5. Nye prediktorvariabler for naturtypemodellering må utvikles som del av en nasjonal infrastruktur for<br />
overvåking av naturmangfold, fordi gode romlige prediksjonsmodeller er en forutsetning for å kunne<br />
107
108<br />
overvåke mange sjeldne arter <strong>og</strong> naturtyper ved bruk av sannsynlighetsbasert datainnsamling. Konkrete<br />
forslag er<br />
a. utvikling av bedre digitale høydemodeller ved bruk av laserscanningdata (VI),<br />
b. utvikling av en prediktor for ’geol<strong>og</strong>isk rikhet’ (III, IV, VI),<br />
c. utvikling av prediktorer for hevd <strong>og</strong> annen historisk bruk (III–VI), <strong>og</strong><br />
d. utvikling av prediktorer for arealdekke på landskapsnivå (II).<br />
Det siste delmålet, å belyse hvordan romlig prediksjonsmodellering kan brukes i sannsynlighetsbasert<br />
naturtypeovervåking, har bestått i å gjennomføre fire case studies (III–VI) som til dels på forskjellige<br />
måter har relevans til hovedformålet med NatTOvprosjektet, ’å utvikle en metodikk ... for overvåking av<br />
naturtyper som dekker lite totalareal <strong>og</strong> som forekommer spredt over store deler av landet’. Disse case<br />
studies viser at det, <strong>og</strong>så med de prediktorvariablene som i dag er tilgjengelig for modellering, er mulig å<br />
lage romlige prediksjonsmodeller for landlevende arter <strong>og</strong> terrestriske naturtyper som er gode nok til å gjøre<br />
sannsynlighetsbasert utvelgelse av observasjonssteder for overvåking mulig. Arbeidet med dette delmålet<br />
har gitt økt innsikt i hvordan bruken av romlig prediksjonsmodellering i forbindelse med sannsynlighetsbasert<br />
overvåking kan optimaliseres, <strong>og</strong> hvilke parametervalg som bidrar til å gjøre estimater på grunnlag<br />
av slike overvåkingsdata mest mulig presise (kapittel 5.3.4). Resultatene, både av case studies <strong>og</strong> av<br />
simuleringsundersøkelsen av sannsynlighetsbasert datainnsamling i kapittel 8, viser at sannsynlighetsbasert<br />
overvåking har potensiale for å kunne fylle den tiltenkte rollen som metode for overvåking av sjeldne<br />
naturfenomener. Følgende tiltak anbefales for å videreutvikle sannsynlighetsbasert overvåking:<br />
6. Mer inngående undersøkelser av statistiske aspekter ved sannsynlighetsbasert datainnsamling må<br />
gjennomføres (vurdering av flere estimatorer, supplerende simuleringsundersøkelser)<br />
7. Flere case studies, i større definisjonsområder enn hittil, må gjennomføres. Noen aktuelle temaer for<br />
slike case studies (se Tabell 10) er:<br />
a. natursystemenheten slåttemark (eller, mer generelt, kulturmarkseng; se IV)<br />
b. natursystemhovedtypen isinnfrysingsmark (egnet for utprøving av flere alternative<br />
overvåkingsmetoder)<br />
c. det sammensatte livsmediumobjektet hul eik (se V)<br />
d. natursystemenheten kalklindesk<strong>og</strong> (se V)<br />
e. natursystemenheten åpen grunnlendt kalkmark (se VI)<br />
f. fremmede arter i natursystemgrunntypen vegkant i hovedtypen konstruert fastmark<br />
Tidlig i arbeidet med NatTOvprosjektet ble det klart at metoder for overvåking av sjeldne arter <strong>og</strong> naturtyper<br />
må ses i sammenheng med den langsiktige målsettingen om å utvikle et helhetlig pr<strong>og</strong>ram for (kartlegging<br />
<strong>og</strong>) overvåking av naturmangfold i Norge. Mye kunnskap om hvordan norsk natur kan <strong>og</strong> bør overvåkes, er<br />
bygd opp gjennom mer enn ti år. Denne kunnskapen er forsøkt samlet <strong>og</strong> systematisert i denne rapporten;<br />
økol<strong>og</strong>isk begrepsapparat i kapittel 2, grunntrekk i naturvariasjon <strong>og</strong> hvordan denne blir systematisert i<br />
NiN i kapittel 3, viktige analyse<strong>verktøy</strong> i kapittel 4 <strong>og</strong> naturovervåking i et internasjonalt vitenskapsteoretisk<br />
perspektiv i kapitlene 5.1–2. Kapittel 5.3–4 inneholder en gjennomgang <strong>og</strong> drøfting av aktuelle<br />
overvåkingsmetoder med særlig vekt på sannsynlighetsbasert overvåking. Konklusjonen på gjennomgangen<br />
av det faglige grunnlaget for naturovervåking er at det nå finnes nok kunnskap til:<br />
•<br />
•<br />
•<br />
å foreslå et vegkart for prosessen fram mot et helhetlig pr<strong>og</strong>ram for overvåking av naturmangfold<br />
(kapittel 5.5.1; se Fig. 20);<br />
å legge fram en forslag til ’<strong>verktøy</strong>kasse’ for et helhetlig overvåkingspr<strong>og</strong>ram, betegnet ’metodeplattform<br />
for et helhetlig pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av naturmangfold’ (kapittel 5.5.2; se Fig. 21); <strong>og</strong><br />
å gi konkrete anbefalinger med hensyn til hvordan natur bør overvåkes (kapitlene 5.3–8).<br />
Følgende skritt i retning av et helhetlig nasjonalt overvåkingspr<strong>og</strong>ram anbefales:<br />
8. Framlegget til metodeplattform for et helhetlig pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av naturmangfold<br />
legges til grunn for drøftinger med relevante fagmiljøer med sikte på konsensus om overvåkingsmetodikk<br />
9. Ansvarlige forvaltningsmyndigheter vurderer skissen til vegkart for prosessen fram mot et helhetlig<br />
pr<strong>og</strong>ram for overvåking av naturmangfold slik at skritt kan tas for å etablere et helhetlig nasjonalt<br />
pr<strong>og</strong>ram for overvåking av naturmangfold i Norge
Referanser<br />
Abrahamsen, G., Stuanes, A.O. & Tveite, B. 1994. Long-term experiments with acid rain in Norwegian forest<br />
ecosystems: discussion and synthesis. – Ecol. Stud. 104: 297331.<br />
Allen, T.F.H. & Starr, T.B. 1982. Hierarchy: perspectives for ecol<strong>og</strong>ical complexity. – University of Chicago<br />
Press, Chicago.<br />
Anonym 1997a. Overvåking av biol<strong>og</strong>isk mangfold i åtte naturtyper. – Dir. Naturforv. Utredn. 1997: 1268.<br />
Anonym 1997b. Stortingsmelding 58 (1996–97). Miljøvernpolitikk for en bærekraftig utvikling. –<br />
Miljøverndepartementet, Oslo.<br />
Anonym 1998. Plan for overvåking av biol<strong>og</strong>isk mangfold. – Dir. Naturforv. Rapp. 1998: 1170.<br />
Anonym 2001. Stortingsmelding 42 (2000–01). Biol<strong>og</strong>isk mangfold. Sektoransvar <strong>og</strong> samordning. –<br />
Miljøverndepartementet, Oslo.<br />
Anonym 2002a. Innstilling til Stortinget nr. 206 (2001–02). Instilling fra energi <strong>og</strong> miljøkomitéen om biol<strong>og</strong>isk<br />
mangfold. Sektoransvar <strong>og</strong> samordning. St.meld. nr. 42 (2000–01). – Miljøverndepartementet, Oslo.<br />
Anonym 2002b. Nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk mangfold. – Direktoratet for<br />
naturforvaltning, Trondheim.<br />
Anonym 2003a. Stortingsmelding 25 (2002–03). Regjeringens miljøvernpolitikk <strong>og</strong> rikets miljøtilstand. –<br />
Miljøverndepartementet, Oslo.<br />
Anonym 2003b. Lange tidsserier for miljøovervåking <strong>og</strong> forskning. Rapport nr. 2. Viktige terrestriske <strong>og</strong><br />
limniske dataserier. – Norges forskningsråd, Oslo.<br />
Anonym 2006a. Riksrevisjonen Dokument 3: 12 (2005–06). Riksrevisjonens undersøkelse av myndighetenes<br />
arbeid med kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk mangfold <strong>og</strong> forvaltning av verneområder. –<br />
Riksrevisjonen, Oslo.<br />
Anonym 2006b. Landssk<strong>og</strong>takseringen feltinstruks 2006. – Upubl notat, Inst. Sk<strong>og</strong> Landskap, Ås.<br />
Anonym 2006c. Handlingsplan for rød sk<strong>og</strong>frue Cephalanthera rubra. – Dir. Naturforvaltning Rapp. 2006: 1:<br />
128.<br />
Anonym, 2007a. Kartlegging av naturtyper. Verdisetting av biol<strong>og</strong>isk mangfold. 2. utgave 2006, oppdatert<br />
2007. – DN-Håndbok 13. (http://www.dirnat.no/)<br />
Anonym, 2007b. Kartlegging av marint biol<strong>og</strong>isk mangfold. Revidert utgave 2007. – DNHåndbok 19: 152.<br />
Anonym 2008. Områdevern <strong>og</strong> forvaltning. – DN-Håndbok 17. (http://www.dirnat.no/statisk/<br />
forvaltningshandbok)<br />
Anonym 2007c. Nasjonalt pr<strong>og</strong>ram for kartlegging <strong>og</strong> overvåking av biol<strong>og</strong>isk mangfold. Pr<strong>og</strong>ramperioden<br />
f.o.m. 2007 t.o.m. 2010. – Direktoratet for naturforvaltning, Trondheim.<br />
Anonym 2009. Lov 20090619 nr 100: Lov om forvaltning av naturens mangfold (Naturmangfoldloven). –<br />
Miljøverndepartementet, Oslo.<br />
Anonym (red.) 2010. Naturindeks for Norge 2010. – Dir. Naturforv. Utredn. 2010: 3: 1161.<br />
Araújo, M.B. & Guisan, A. 2006. Five (or so) challenges for species distribution modelling. – J. Bi<strong>og</strong>e<strong>og</strong>r. 33:<br />
16771688.<br />
Araújo, M.B., Pearson, R.G., Thuiller, W. & Erhard, M. 2005. Validation of speciesclimate impact models<br />
under climate change. – Global Change Biol. 11: 1504-1513.<br />
Archaux, F., Gosselin, F., Bergès, L. & Chevalier, R. 2006. Effects of sampling time, species richness and<br />
observer on the exhaustiveness of plant censuses. – J. Veg. Sci. 17: 299306.<br />
Auestad, I., Halvorsen, R., Bakkestuen, V. & Erikstad, L. i trykk. Utbredelsesmodellering av fremmede<br />
invaderende karplanter langs veg. – Dir. Naturforv. Rapp. i trykk.<br />
Austin, M.P. 1981. Permanent quadrats: an interface for theory and practice. – Vegetatio 4647: 110.<br />
Austin, M.P. 2005. Vegetation and environment: discontinuities and continuities. – I: van der Maarel, E. (red.),<br />
Vegetation ecol<strong>og</strong>y, Blackwell, Oxford, s. 52-84.<br />
Austin, M. 2007. Species distribution models and ecol<strong>og</strong>ical theory: a critical assessment and some possible<br />
new approaches. – Ecol. Modelling 200: 1-19.<br />
Austin, M.P. & Heyligers, P.C. 1989. Vegetation survey design for conservation: gradsect sampling of forests<br />
in north-eastern New South Wales. – Biol. Conserv. 50: 13-32.<br />
Austin, M.P., Nicholls, A.O., Doherty, M.D. & Meyers, J.A. 1994. Determining species response functions to<br />
an environmental gradient by means of a β-function. – J. Veg. Sci. 5: 215-228.<br />
Austin, M.P. & Smith, T.M. 1989. A new model for the continuum concept. – Vegetatio 83: 35-47.<br />
Bakkestuen, V., Aarrestad, P.A., Stabbetorp, O.E., Erikstad, L. & Eilertsen, O. 2009. Vegetation composition,<br />
gradients and environment relationships of birch forest in six reference areas in Norway. – Sommerfeltia<br />
33: 1226.<br />
109
Balle, O. 2000. Vegetasjonskartlegginger i Norge. Kartlegginger fordelt på fylke/kommune. 5. utgave. –<br />
Norsk Inst. Jord Sk<strong>og</strong>kartlegging Rapp. 2000: 15: 168.<br />
Beheregaray, L.B. & Caccone, A. 2007. Cryptic biodiversity in a changing world. – J. Biol. 6: 9: 1-5.<br />
Bendiksen, E., Økland, R.H., Høiland, K., Eilertsen, O. & Bakkestuen, V. 2004. Relationships between<br />
macrofungi, plants and environmental factors in boreal coniferous forests in the Solhomfjell area,<br />
Gjerstad, S Norway. – Sommerfeltia 30: 1-125.<br />
Bickford, D., Lohman, D.J., Sodhi, N.S., Ng, P.K.L., Meier, R., Winkler, K., Ingram, K. & Das, I. 2007. Cryptic<br />
species as a window on diversity and conservation. – Trends Ecol. Evol. 22: 148-155.<br />
Boutin, S., Haughland, D.L., Schieck, J., Herbers, J. & Bayne, E. 2009. A new approach to forest biodiversity<br />
monitoring in Canada. – For. Ecol. Mgmt 258: Suppl. 1: S168-S175.<br />
Bradley, B.A. & Fleishman, E. 2008. Can remote sensing of land cover improve species distribution<br />
modelling? – J. Bi<strong>og</strong>e<strong>og</strong>r. 35: 11581159.<br />
Braun-Blanquet, J. 1964. Pflanzensoziol<strong>og</strong>ie. Gründzuge der Vegetationskunde, 3. utg. –Springer, Wien.<br />
Bruteig, I.E. 2008. Terrestrisk naturovervaking. Gjenkartlegging av epifyttvegetasjonen i Møsvatn 2007. –<br />
Norsk Inst. Naturforsk. Rapp. 362: 1110.<br />
Bryn, A. 2006. Vegetation mapping in Norway and a scenario for vegetation changes in a mountain district. –<br />
Ge<strong>og</strong>r. pol. 79: 4264.<br />
Burke, I.C. & Lauenroth, W.K. 1993. What do LTER results mean - extrapolating from site to region and<br />
decade to century. – Ecol. Modelling 67: 1935.<br />
Cawsey, E.M., Austin, M.P. & Baker, B.L. 2002. Regional vegetation mapping in Australia: a case study in the<br />
practical use of statistical modelling. – Biodiv. Conserv. 11: 2239-2274.<br />
Collins, S.L., Glenn, S.M. & Roberts, D.W. 1993. The hierarchical continuum concept. – J. Veg. Sci. 4: 149-<br />
156.<br />
Crawley, M.J. 1990. The population dynamics of plants. – Phil. Trans. r. Soc. Lond. Ser. B.. 330: 125-140.<br />
Crawley, M.J. 2007. The R book. – Wiley, Chichester.<br />
Dahl, E. 1957. Rondane: Mountain vegetation in South Norway and its relation to the environment. – Skr.<br />
norske Vidensk.Akad. Oslo mat.naturvid. Klasse 1956: 3: 1374.<br />
Davies, C.E., Moss, D. & Hill, M.O. 2004. EUNIS habitat classification revised 2004. – European<br />
Environment Agency, http://eunis.eea.eu.int/relatedreports.jsp.<br />
De’ath, G. 2007. Boosted trees for ecol<strong>og</strong>ical modeling and prediction. – Ecol<strong>og</strong>y 88: 243251.<br />
Dixon, P.M., Ellison, A.M. & Gotelli, N.J. 2005. Improving the precision of estimates of the frequency of rare<br />
events. – Ecol<strong>og</strong>y 86: 11141123.<br />
Dobrowski, S.Z., Safford, H., D., Cheng, Y.B. & Ustin, S.L. 2008. Mapping mountain vegetation using species<br />
distribution modeling, image-based texture analysis, and object-based classification. – Appl. Veg. Sci. 11:<br />
499508.<br />
Dobson, A.P., Rodriguez, J.P., Roberts, W.M. & Wilcove, D.S. 1997. Ge<strong>og</strong>raphic distribution of endangered<br />
species in the United States. – Science 275: 550553.<br />
Dramstad, W.E., Fjellstad, W.J., Strand, G.H., Mathiesen, H.F., Engan, G. & Stokland, J. 2002. Development<br />
and implementation of the Norwegian monitoring pr<strong>og</strong>ramme for agricultural landscapes. – J. environm.<br />
Mgmt 64: 49–63.<br />
Du Rietz, G.E. 1921. Zur metodol<strong>og</strong>ischen Grundlage der modernen Pflanzensoziol<strong>og</strong>ie. – Holzhausen,<br />
Wien.<br />
Du Rietz, G.E. 1949. Huvudenheter och huvudgränser i svensk myrvegetation. – Svensk bot. Tidskr. 43: 274<br />
309.<br />
Dungan, J.L., Perry, J.N., Dale, M.R.T., Legendre, P., Citron-Pousty, S., Fortin, M.-J., Jakomulska, A., Miriti,<br />
M. & Rosenberg, M.S. 2002. A balanced view of scale in spatial statistical analysis. – Ec<strong>og</strong>raphy 25:<br />
626640.<br />
Edvardsen, A. & Økland, R.H. 2006. Variation in plant species composition in and adjacent to 64 ponds in SE<br />
Norwegian agricultural landscapes. – Aquat. Bot. 85: 92-102.<br />
Elith, J. & Graham, C.H. 2009. Do they? How do they? WHY do they differ? On finding reasons for differing<br />
performances of species distribution models. – Ec<strong>og</strong>raphy 32: 6677.<br />
Elith, J., Graham, C.H., Anderson, R.P., Dudík, M., Ferrier, S., Guisan, A., Hijmans, R.J., Huettmann, F.,<br />
Leathwick, J. R., Lehmann, A., Li, J., Lohmann, L.G., Loiselle, B.A., Manion, G., Moritz, C., Nakamura,<br />
M., Nakazawa, Y., Overton, J.M.M., Peterson, A. T., Phillips, S.J., Richardson, K., Scachetti-Pereira, R.,<br />
Schapire, R.E., Soberón, J., Williams, S., Wisz, M.S. & Zimmermann, N.E. 2006. Novel methods improve<br />
prediction of species’ distributions from occurrence data. – Ec<strong>og</strong>raphy 29: 129151.<br />
Elith, J., Leathwich, J.R. & Hastie, T. 2008. A working guide to boosted regression trees. – J. Anim. Ecol. 77:<br />
802813.<br />
Elith, J. & Leathwick, J.R. 2009. Species distribution models: ecol<strong>og</strong>ical explanation and prediction across<br />
110
space and time. – A. Rev. Ecol. Evol. Syst. 40: 677697.<br />
Elith, J., Phillips, S., Hastie, T., M., D., Chee, Y. & Yates, C. 2011. A statistical explanation of MaxEnt for<br />
ecol<strong>og</strong>ists. – Divers. Distrib. 17: in press.<br />
Emanuelsson, U. 2009. Europeiska kulturlandskap: Hur menniskan format Europas natur. – Formas,<br />
Stockholm.<br />
Engan, G., Bratli, H., Fjellstad, W. & Dramstad, W. 2008. 3Q. Biol<strong>og</strong>isk mangfold i jordbrukets kulturlandskap.<br />
– Dok. Sk<strong>og</strong> Landsk. 2008: 1: 199.<br />
Erikstad, L., Bakkestuen, V., Hanssen, F., Stabbetorp, O. E., Evju, M. & Aarrestad, P. A. 2009. Evaluering av<br />
landsdekkende satelittbasert vegetasjonskart. – Norsk Inst. Naturforsk. Rapp. 448: 177.<br />
Fielding, A.H. & Bell, J.E. 1997. A review of methods for the assessment of prediction errors in conservation<br />
presence-absence models. – Environm. Conserv. 24: 38-49.<br />
Fjellstad, W.J., Dramstad, W.E., Strand, G.H. & Fry, G.L.A. 2001. Heter<strong>og</strong>eneity as a measure of spatial<br />
pattern for monitoring agricultural landscapes. – Norw. J. Ge<strong>og</strong>r. 55: 71-76.<br />
Fjellstad, W., Dramstad, W. & Huso, B. 2007. 3Q: Jordbrukets kulturlandskap – status <strong>og</strong> utviklingstrekk. –<br />
Dokum. Sk<strong>og</strong> Landsk. 2007: 4: 154.<br />
Framstad, E. (red.) 2010a. Natur i endring: Terrestrisk naturovervåking i 2009: Markvegetasjon, smågnagere<br />
<strong>og</strong> fugl. – Norsk Inst. Naturforsk. Rapp. 580: 1101.<br />
Framstad, E. 2010b. Natur i endring: Terrestrisk naturovervåking i 2009: Smågnagere. – Norsk Inst.<br />
Naturforsk. Rapp. 580: 4655.<br />
Framstad, E., Blindheim, T., Erikstad, L., Thingstad, P.G. & Sloreid, S.E. 2010. Naturfaglig evaluering av<br />
norske verneområder. – Norsk Inst. Naturforsk. Rapp. 535: 1214.<br />
Framstad, E. & Kålås, J.A. 2001. TOV 2000. Nytt pr<strong>og</strong>ram for overvåking av biol<strong>og</strong>isk mangfold på land –<br />
basert på videreutvikling av dagens TOV. – Norsk Inst. Naturforsk. Oppdragsmeld. 702: 149.<br />
Franklin, J. 2009. Mapping species distributions: spatial inference and prediction. – Cambridge University<br />
Press, Cambridge.<br />
Franklin, J. 2010. Moving beyond static species distribution models in support of conservation bi<strong>og</strong>e<strong>og</strong>raphy.<br />
– Divers. Distrib. 16: 321330.<br />
Fremstad, E. 1997. Vegetasjonstyper i Norge. – Norsk Inst. Naturforsk. Temahefte 12: 1279.<br />
Fremstad, E. & Pedersen, O. 2009. Fremmede planter i Norge. Vinterkarse (Barbarea vulgaris). – Blyttia 67:<br />
159170.<br />
Gallien, L., Münkemüller, T., Albert, C.H., Boulangeat, I. & Thuiller, W. 2010. Predicting potential distributions<br />
of invasive species: where to go from here? – Divers. Distrib. 16: 331-342.<br />
Gaston, K.J. 1991. How large is a species’ ge<strong>og</strong>raphic range? – Oikos 61: 434-438.<br />
Gaston, K.J. & Fuller, R.A. 2009. The sizes of species’ ge<strong>og</strong>raphic ranges. – J. appl. Ecol. 46: 19.<br />
Gjerde, I., Sætersdal, M., Rolstad, J., Blom, H.H. & Storaunet, K.O. 2004. Finescale diversity and rarity<br />
hotspots in northern forests. – Conserv. Biol. 18: 1032-1042.<br />
Gjerde, I., Sætersdal, M. & Blom, H.H. 2007. Complementary Hotspot Inventory - a method for identification<br />
of important areas for biodiversity at the forest stand level. – Biol. Conserv. 137: 549-557.<br />
Gjærevoll, O. 1956. The plant communities of the Scandinavian alpine snow-beds. – K. norske Vidensk.<br />
Selsk. Skr. 1956: 1: 1405.<br />
Grace, J.B., Anderson, M., Olff, H. & Scheiner, S.M. 2010. On the specification of structural equation models<br />
for ecol<strong>og</strong>ical systems. – Ecol. Mon<strong>og</strong>r. 80: 6787.<br />
Guisan, A., Broennimann, O., Engler, R., Vust, M., Yoccoz, N.G., Lehmann, A. & Zimmermann, N.E. 2006.<br />
Using niche-based models to improve the sampling of rare species. – Conserv. Biol. 20: 501-511.<br />
Guisan, A. & Zimmermann, N.E. 2000. Predictive habitat distribution models in ecol<strong>og</strong>y. – Ecol. Modelling<br />
135: 147186.<br />
Gaarder, G., Larsen, B.H. & Melby, M.W. 2007. Ressursbehov ved kvalitetssikring <strong>og</strong> nykartlegging av<br />
naturtyper. – Miljøfaglig Utredn. Rapp. 2007: 184.<br />
Halvorsen, R. 2008. Faglig grunnlag for en helhetlig nasjonal plan for overvåking av naturmangfold <strong>og</strong> rollen<br />
til Naturtyper i Norge. – Naturtyper Norge Bakgrunnsdok. 7 (versjon 0.1): 157.<br />
Halvorsen, R. 2010. Oversettelse fra Direktoratet for naturforvaltning sine naturtypekartleggingshåndbøker<br />
13 <strong>og</strong> 19 til Naturtyper i Norge versjon 1.0. – Naturtyper i Norge Oversettelsesnøkkel 1: 1-116. (www.<br />
artsdatabanken.no)<br />
Halvorsen, R., Andersen, T., Blom, H.H., Elvebakk, A., Elven, R., Erikstad, L., Gaarder, G., Moen, A.,<br />
Mortensen, P.B., Norderhaug, A., Nygaard, K., Thorsnes, T. & Ødegaard, F. 2009a. Naturtyper i Norge<br />
(NiN) versjon 1.0.0. – Artsdatabanken, Trondheim. (http://www.naturtyper.artsdatabanken.no/)<br />
Halvorsen, R., Andersen, T., Blom, H.H., Elvebakk, A., Elven, R., Erikstad, L., Gaarder, G., Moen, A.,<br />
Mortensen, P.B., Norderhaug, A., Nygaard, K., Thorsnes, T. & Ødegaard, F. 2009b. Naturtyper i Norge<br />
(NiN) – teoretisk grunnlag, <strong>prinsipper</strong> for inndeling <strong>og</strong> definisjoner. – Naturtyper i Norge (NiN) versjon 1<br />
111
[1.0] Artikkel 1: 1-211. www.artsdatabanken.no<br />
Halvorsen, R., Bakkestuen, V. & Wollan, A.K. 2009. Terrestrisk naturovervåking i 2008: Markvegetasjon,<br />
epifytter, smågnagere <strong>og</strong> fugl. Vegetasjonsundersøkelser av boreal sk<strong>og</strong> i Solhomfjell. – Norsk Inst.<br />
Naturforsk. Rapp. 490: 4369.<br />
Hanley, J.A. & McNeil, B.J. 1982. The meaning and use of the area under a Receiver Operating<br />
Characteristic (ROC) curve. – Radiol<strong>og</strong>y 143: 29-36.<br />
Harper, J.L. 1977. Population biol<strong>og</strong>y of plants. – Academic Press, London.<br />
Hastie, T., Tibshirani, R. & Friedman, J. 2009. The elements of statistical learning, 2. utg. – Springer, New<br />
York.<br />
Haughland, D.L., Hero, J.-M., Schieck, J., Castley, J.G., Boutin, S., Sólymos, P., Lawson, B.E., Holloway, G.<br />
& Magnusson, W.E. 2010. Planning forwards: biodiversity research and monitoring systems for better<br />
management. – Trends Ecol. Evol. 25: 199200.<br />
Heikkinen, R.K. & Neuvonen, S. 1997. Species richness of vascular plants in the subarctic landscape of<br />
northern Finland: modelling relationships to the environment. – Biodiv. Conserv. 6: 1181-1201.<br />
Henry, P.-Y., Lengyel, S., Nowicki, P., Julliard, R., Clobert, J., Čelik, T., Gruber, B., Schmeller, D.S., Babij, V.<br />
& Henle, K. 2008. Integrating ongoing biodiversity monitoring: potential benefits and methods. – Biodiv.<br />
Conserv. 17: 3357-3382.<br />
Hicks, B.B. & Brydges, T.G. 1994. A strategy for integrated monitoring. – Environm. Mgmt 18: 112.<br />
Hill, M.O. 1979. DECORANA - A FORTRAN pr<strong>og</strong>ram for detrended correspondence analysis and reciprocal<br />
averaging. – Cornell University, Ithaca, New York, USA.<br />
Hill, R.A. & Broughton, R.K. 2009. Mapping the understorey of deciduous woodland from leaf-on and leaf-off<br />
airborne LiDAR data: a case study from lowland Britain. – ISPRS J. Phot<strong>og</strong>rammetry remote Sensing 64:<br />
223233.<br />
Hirzel, A.H., Le Lay, G., Helfer, V., Randin, C. & Guisan, A. 2006. Evaluating the ability of habitat suitability<br />
models to predict species presences. – Ecol. Modelling 199: 142152.<br />
Hofsten, J., Rekdal, Y. & Strand, G.H. 2007. Arealregnskap for Norge. Arealstatistikk for Oslofjordregionen.<br />
– Sk<strong>og</strong> Landsk. Ressursoversikt 2007: 1: 165.<br />
Holmgren, J. & Persson, Å. 2004. Identifying species of individual trees using airborne laser scanner data. –<br />
Remote Sensing Environm. 90: 415423.<br />
Horvitz, D.G. & Thompson, D.J. 1952. A generalization of sampling without replacement from a finite<br />
universe. – J. am. statist. Ass. 47: 663685.<br />
Jaynes, E.T. 1957. Information theory and statistical mechanics. – Phys. Rev. 106: 620630.<br />
JiménezValverde, A. & Lobo, J. 2007. Threshold criteria for conversion of probability of species presence to<br />
eitheror presenceabsence. – Acta oecol. 31: 361369.<br />
JiménezValverde, A., Lobo, J. & Hortal, J. 2008. Not as good as they seem: the importance of concepts in<br />
species distribution modelling. – Divers. Distrib. 14: 885890.<br />
Johansen, B.E. 2009. Vegetasjonskart for Norge basert på Landsat TM/ETM+ data. – North. Res. Inst.<br />
Tromsø Rapp. 2009: 4: 187.<br />
Johansen, B. & Karlsen, S.R. 2005. Monitoring vegetation changes on Finnmarksvidda, Northern Norway,<br />
using Landsat MSS and Landsat TM/ETM+ satellite images. – Phytocoenol<strong>og</strong>ia 35: 969984.<br />
Juutinen, A., Mönkkönen, M. & Ollikainen, M. 2008. Do environmental diversity approaches lead to improved<br />
site selection? A comparison with the multi-species approach – For. Ecol. Mgmt 255: 3750-3757.<br />
Kennedy, K.A. & Addison, P.A. 1987. Some considerations for the use of visual estimates of plant cover in<br />
biomonitoring. – J. Ecol. 75: 151157.<br />
Kincaid, T. 2008. User guide for spsurvey, version 2.0. – U.S. Environm. Protection Agency (http://www.epa.<br />
gov/nheerl/arm/documents/design_doc/UserGuide%20for%20spsurvey%202.0.pdf)<br />
Klimeš, L., Dančák, M., Májek, M., Jongepierová, I. & Kučera, T. 2001. Scale-dependent biases in species<br />
counts in a grassland. – J. Veg. Sci. 12: 699704.<br />
Korpela, I., Koskinen, M., Vasander, H., Holopainen, M. & Minkkinen, K. 2009. Airborne smallfootprint<br />
discretereturn LiDAR data in the assessment of boreal mire surface patterns, vegetation, and habitats. –<br />
For. Ecol. Mgmt. 259: 15491566.<br />
Kålås, J.A. 2010. Terrestrisk naturovervåking i 2009: Spurvefugler. – Norsk Inst. Naturforsk. Rapp. 580: 67<br />
79.<br />
Kålås, J.A., Viken, Å., Henriksen, S. & Skjelseth, S. (red.) 2010a. Norsk rødliste for arter 2010 – The 2010<br />
Norwegian red list for species. – Artsdatabanken, Norge, Trondheim.<br />
Kålås, J.A., Henriksen, S., Skjelseth, S. & Viken, Å. (red.) 2010b. Miljøforhold <strong>og</strong> påvirkninger for<br />
rødlistearter. – Artsdatabanken, Norge, Trondheim.<br />
Lassueur, T., Joost, S. & Randin, C.F. 2006. Very high resolution digital elevation models: do they improve<br />
models of plant species distribution? – Ecol. Modelling 198: 139153.<br />
112
Lawesson, J., Eilertsen, O., Diekmann, M., Reinikainen, A., Gunnlaugsdóttir, E., Fosaa, A. M., Carøe, I.,<br />
Skov, F., Groom, G., Økland, R.H., Økland, T., Andersen, P.N. & Bakkestuen, V. 2000. A concept for<br />
vegetation studies and monitoring in the Nordic countries. – Tema Nord 517: 1125.<br />
Lawton, J.H. 1996. Patterns in ecol<strong>og</strong>y. – Oikos 75: 145-147.<br />
Lawton, J.H. 1997. Words: when is a fish not a fish. – Oikos 78: 417-419.<br />
Lawton, J.H. 1999. Are there general laws in ecol<strong>og</strong>y? – Oikos 84: 177-192.<br />
Leathwick, J.R. 1995. Climatic relationships of some New Zealand forest tree species. – J. Veg. Sci. 6: 237-<br />
248.<br />
Legendre, P. 1993. Spatial autocorrelation: trouble or new paradigm? – Ecol<strong>og</strong>y 74: 1659-1673.<br />
Legendre, P. & Legendre, L. 1998. Numerical ecol<strong>og</strong>y, 2. utg. – Elsevier, Amsterdam.<br />
Lehmann, A., Overton, J.M. & Leathwich, J.R. 2002. GRASP: generalized regression analysis and spatial<br />
prediction. – Ecol. Modelling 157: 189207.<br />
Lindenmayer, D.B. & Likens, G.E. 2009. Adaptive monitoring: a new paradigm for long-term research and<br />
monitoring. – Trends Ecol. Evol. 24: 482486.<br />
Lindenmayer, D.B. & Likens, G.E. 2010a. Effective ecol<strong>og</strong>ical monitoring. – CSIRO Publishing, Collingwood,<br />
Victoria.<br />
Lindenmayer, D.B. & Likens, G.E. 2010b. Improving ecol<strong>og</strong>ical monitoring. – Trends Ecol. Evol. 25: 200201.<br />
Liu, H.Y., Økland, T., Halvorsen, R., Gao, J.X., Liu, Q.R., Eilertsen, O. & Bratli, H. 2008. Gradient analyses of<br />
forests ground vegetation and its relationships to environmental variables in five subtropical forest areas,<br />
S and SW China. – Sommerfeltia 32: 1-196.<br />
Lobo, J.M., Jiménez-Valverde, A. & Real, R. 2008. AUC: a misleading measure of the performance of<br />
predictive distribution models. – Global Ecol. Bi<strong>og</strong>e<strong>og</strong>r. 17: 145151.<br />
Lobo, J.M., JiménezValverde, A. & Hortal, J. 2010. The uncertain nature of absences and their importance<br />
in species distribution modelling. – Ec<strong>og</strong>raphy 33: 103114.<br />
Loiselle, B.A., Jørgensen, P.M., Consiglio, T., Jiménez, I., Blake, J.G., Lohmann, L.G. & Montiel, O.M. 2008.<br />
Predicting species distributions from herbarium collections: does climate bias in collection sampling<br />
influence model outcomes? – J. Bi<strong>og</strong>e<strong>og</strong>r. 35: 105-116.<br />
Lovett, G.M., Burns, D.A., Driscoll, C.T., Jenkins, J.C., Mitchell, M.J., Rustad, L., Shanley, J.B., Likens, G.E.<br />
& Haeuber, R. 2007. Who needs environmental monitoring? – Front. Ecol. Environm. 5: 253260.<br />
Luoto, M. 2000. Modelling of rare plant species richness by landscape variables in an agricultural area in<br />
Finland. – Pl. Ecol. 149: 157168.<br />
McCune, B. & Grace, J.B. 2002. Analysis of ecol<strong>og</strong>ical communities. – MjM Software Design, Gleneden<br />
Beach, Oregon.<br />
MacKenzie, D.I., Nichols, J.D., Sutton, N., Kawanishi, K. & Bailey, L.L. 2005. Improving inferences in<br />
population studies of rare species that are detected imperfectly. – Ecol<strong>og</strong>y 86: 11011113.<br />
Malmer, N. 1962. Studies on mire vegetation in the Archaean area of Southwestern Götaland (South<br />
Sweden). I. Vegetation and habitat conditions on the Åkhult mire. – Opera bot. 7: 1: 1-322.<br />
Manley, P.N., Zielinski, W.J., Schlesinger, M.D. & Mori, S.R. 2004. Evaluation of a multiplespecies approach<br />
to monitoring species at the ecoregional scale. – Ecol. Appl. 14: 296310.<br />
Mateo, R.G., Croat, T.B., Felicísimo, Á.M. & Muñoz, J. 2010. Profile or group discriminative techniques?<br />
Generating reliable species distribution models using pseudoabsences and targetgroup absences from<br />
natural history collections. – Divers. Distrib. 16: 8494.<br />
Minchin, P.R. 1987. An evaluation of the relative robustness of techniques for ecol<strong>og</strong>ical ordination. –<br />
Vegetatio 69: 89107.<br />
Moen, A. 1973. Landsplan for myrreservater i Norge. – Norsk ge<strong>og</strong>r. Tidsskr. 27: 173193.<br />
Moen, A. 1990. The plant cover of the boreal uplands of Central Norway. I. Vegetation ecol<strong>og</strong>y of Sølendet<br />
nature reserve; haymaking fens and birch woodlands. – Gunneria 63: 1-451.<br />
Munn, R.E. 1988. The design of integrated monitoring systems to provide early indications of environmental<br />
ecol<strong>og</strong>ical changes. – Environm. Monit. Assessment 11: 203217.<br />
Murray, B.G.J. 2000. Universal laws and predictive theory in ecol<strong>og</strong>y and evolution. – Oikos 89: 403-408.<br />
Murray, B.G.J. 2001. Are ecol<strong>og</strong>ical and evolutionary theories scientific? – Biol. Rev. Camb. phil. Soc. 76:<br />
255289.<br />
Nichols, J.D. 1991. Science, population ecol<strong>og</strong>y, and the management of the American black duck. – J. Wildl.<br />
Mgmt 55: 790799.<br />
Nichols, J.D. & Williams, B.K. 2006. Monitoring for conservation. – Trends Ecol. Evol. 21: 668673.<br />
Nilsson, I.N. & Nilsson, S.G. 1985. Experimental estimates of census efficiency and pseudoturnover on<br />
islands: error trend and between-observer variation when recording vascular plants. – J. Ecol. 73: 65-70.<br />
Nordbakken, J.F., Økland, T., Røsberg, I. & Engan, G. 2010. Terrestrisk naturovervåking i 2009:<br />
Markvegetasjon, smågnagere <strong>og</strong> fugl. Vegetasjonsøkol<strong>og</strong>iske undersøkelser av boreal gransk<strong>og</strong> i<br />
113
Gutulia nasjonalpark i Hedmark, 2009. – Norsk Inst. Naturforsk. Rapp. 580: 2839.<br />
Norderhaug, A., Austad, I., Hauge, L. & Kvamme, M. (red.) 1999. Skjøtselsboka for kulturlandskap <strong>og</strong> gamle<br />
norske kulturmarker. – Valdres Trykkeri, Fagernes.<br />
Nordhagen, R. 1943. Sikilsdalen <strong>og</strong> Norges fjellbeiter. – Bergens Mus. Skr. 22: 1607.<br />
Noss, R.F. 1990. Indicators for monitoring biodiversity: a hierarchical approach. – Conserv. Biol. 4: 355-364.<br />
Noss, R.F. 1996. The naturalists are dying off. – Conserv. Biol. 10: 1-3.<br />
Noss, R.F. 1999. Assessing and monitoring forest biodiversity: a suggested framework and indicators. – For.<br />
Ecol. Mgmt 115: 135146.<br />
Nybø, S., Skarpaas, O., Framstad, E. & Kålås, J.A. 2008. Naturindeks for Norge – forslag til rammeverk. –<br />
Norsk Inst. Naturforsk. Rapp. 347: 168.<br />
Næsset, E. & Økland, T. 2002. Estimating tree height and crown properties using airborne scanning laser in<br />
a boreal nature reserve. – Remote Sensing Environm. 79: 105115.<br />
Olsen, A.R., Sedransk, J., Edwards, D., Gotway, C.A., Liggett, W., Rathbun, S., Reckhow, K.H. & Young,<br />
L.J. 1999. Statistical issues for monitoring ecol<strong>og</strong>ical and natural resources in the United States. – Ecol.<br />
Monit. Assessmt 54: 145.<br />
Oksanen, J. & Minchin, P.R. 2002. Continuum theory revisited: what shape are species responses along<br />
ecol<strong>og</strong>ical gradients? – Ecol. Modelling 157: 119129.<br />
Oksanen, J., Kindt, R., Legendre, P. & O’Hara, B. 2007. Package ’vegan’ Version 1.913. – Univ. of Oulu,<br />
Oulu.<br />
Palmer, M.W. 1988. Fractal geometry: a tool for describing spatial patterns of plant communities. – Vegetatio<br />
75: 91102.<br />
Parviainen, M., Luoto, M., Ryttäri, T. & Heikkinen, R.K. 2008. Modelling the occurrence of threatened plant<br />
species in taiga landscapes: methodol<strong>og</strong>ical and ecol<strong>og</strong>ical perspectives. – J. Bi<strong>og</strong>e<strong>og</strong>r. 35: 18881905.<br />
Pearce, J. & Ferrier, S. 2000a. An evaluation of alternative algorithms for fitting species distribution models<br />
using l<strong>og</strong>istic regression. – Ecol. Modelling 128: 127147.<br />
Pearce, J.L. & Ferrier, S. 2000b. Evaluating the predictive performance of habitat models developed using<br />
l<strong>og</strong>istic regression. – Ecol. Modelling 133: 225245.<br />
Pearson, K. 1901. On lines and planes of closest fit to systems of points in space. – Phil. Mag. 6. Ser. 2: 559-<br />
572.<br />
Pearson, R.G. & Dawson, T.P. 2003. Predicting the impacts of climate change on the distribution of species:<br />
are bioclimate envelope models useful? – Global Ecol. Bi<strong>og</strong>e<strong>og</strong>r. 12: 361371.<br />
Pearson, R.G., Dawson, T.P. & Liu, C. 2004. Modelling species distributions in Britain: a hierarchical<br />
integration of climate and landcover data. – Ec<strong>og</strong>raphy 27: 285298.<br />
Perhans, K., Gustafsson, L., Jonsson, F., Nordin, U. & Weibull, H. 2007. Bryophytes and lichens in different<br />
types of forest set-asides in boreal Sweden. – For. Ecol. Mgmt 242: 374-390.<br />
Phillips, S.J., Anderson, R.P. & Schapire, R.E. 2006. Maximum entropy modeling of species ge<strong>og</strong>raphic<br />
distributions. – Ecol. Modelling 190: 231259.<br />
Phillips, S.J. & Dudík, M. 2008. Modeling of species distributions with Maxent: new extensions and a<br />
comprehensive evaluation. – Ec<strong>og</strong>raphy 31: 161175.<br />
Phillips, S.J., Dudík, M., Elith, J., Graham, C.H., Lehmann, A., Leathwich, J.R. & Ferrier, S. 2009. Sample<br />
selection bias and presenceonly distribution models: implications for background and pseudoabsence<br />
data. – Ecol. Appl. 19: 181197.<br />
Platt, J.R. 1964. Strong inference. – Science 146: 347353.<br />
Popper, K.R. 1989. Conjectures and refutations: the growth of scientific knowledge. – Routledge, London.<br />
Prendergast, J.R., Quinn, R.M., Lawton, J.H., Eversham, B.C. & Gibbons, D.W. 1993. Rare species, the<br />
coincidence of diversity hotspots and conservation strategies. – Nature 365: 335337.<br />
Rekdal, Y. & Larsson, J.Y. 2005. Veiledning i vegetasjonskartlegging M 1:20 000 50 000. – Norsk Inst. Jord<br />
Sk<strong>og</strong>kartlegging Rapp. 2005: 5: 1108.<br />
Rinde, E., Rygg, B., Bekkby, T., Isæus, M., Erikstad, L., Sloreid, S.E. & Longva, O. 2006. Dokumentasjon av<br />
modellerte marine naturtyper i DNs Naturbase. Førstegenerasjonsmodeller til kommunenes startpakker<br />
for kartlegging av marine naturtyper 2007. – Norsk Inst. Vannforsk. Rapp. 5321: 132.<br />
Rinde, E., Sloreid, S.E., Bakkestuen, V., Bekkby, T., Erikstad, L. & Longva, O. 2004. Modellering av utvalgte<br />
marine naturtyper <strong>og</strong> EUNISklasser. Norsk Inst. Naturforsk. Oppdragsmeld. 807: 133.<br />
Robertson, M.P., Cumming, G.S. & Erasmus, B.F.N. 2010. Getting the most out of atlas data. – Divers.<br />
Distrib. 16: 363375.<br />
Rossi, R.E., Mulla, D.J., Journel, A.G. & Franz, E.H. 1992. Geostatistical tools for modeling and interpreting<br />
ecol<strong>og</strong>ical spatial dependence. – Ecol. Mon<strong>og</strong>r. 62: 277314.<br />
Russell-Smith, J., Whitehead, P.J., Cook, G.D. & Hoare, J.L. 2003. Response of Eucalyptus-dominated<br />
savanna to frequent fires: lessons from Munmarlary, 1973-1996. – Ecol. Mon<strong>og</strong>r. 73: 349-375.<br />
114
Scott, W.A. & Hallam, C.J. 2003. Assessing species misidentification rates through quality assurance of<br />
vegetation monitoring. – Pl. Ecol. 165: 101115.<br />
Shipley, B. 2000. Cause and correlation in biol<strong>og</strong>y. – Cambridge University Press, Cambridge.<br />
Simensen, T. & Uttakleiv, L.A. 2011. Metodikk <strong>og</strong> strategi for landskapskartlegging i Norge. Forprosjekt. –<br />
Sweco & Aurland naturverkstad, Trondheim.<br />
Sjörs, H. 1948. Myrvegetation i Bergslagen. – Acta phyt<strong>og</strong>e<strong>og</strong>r. suec. 21: 1299.<br />
Skjelkvåle, B.L., Aas, W., Solberg, S., Kaste, Ø., de Wit, H., Høgåsen, T., Skancke, L.B., Saksgård,<br />
R., Hesthagen, T., Schartau, A.K., Walseng, B., Halvorsen, G., Fjellheim, A. & Raddum, G.G.<br />
2007. Overvåking av langtransporterte forurensninger. Årsrapport effekter 2006. – St. Pr<strong>og</strong>m.<br />
ForurensnOvervåking Rapp. 1000: 1157.<br />
Stevens, D.L. & Olsen, A.R. 2000. Spatiallyrestricted random sampling designs for designbased and<br />
modelbased estimation. – I: Heuvelink, G.B.M. & Lemmens, M.J.P. (eds), Spatiallyrestricted random<br />
sampling designs for designbased and modelbased estimation, Delft Univ. Press, Delft, s. 609616.<br />
Stevens, D.L.J. & Olsen, A.R. 2003. Variance estimation for spatially balanced samples of environmental<br />
resources. – Environmetrics 14: 593610.<br />
Stevens, D.L.J. & Olsen, A.R. 2004. Spatially balanced sampling of natural resources. – J. am. statist. Ass.<br />
99: 262278.<br />
Stokland, J.N., Bakkestuen, V., Bekkby, T., Rinde, E., Skarpaas, O., SverdrupThygeson, A., Yoccoz,<br />
N.G. & Halvorsen, R. 2008. Prediksjonsmodellering av arters <strong>og</strong> naturtypers utbredelse <strong>og</strong> forekomst:<br />
utfordringer <strong>og</strong> potensiell bruksverdi i Norge. – NatHist. Mus. Univ. Oslo Publ. 1: 172.<br />
Strand, G.H. & Rekdal, Y. 2005. Nasjonalt arealregnskap utprøving i fjellet i Hedmark. – Kart Plan 65: 238<br />
245.<br />
Sutherland, W.J., Adams, W.M., Aronson, R.B., Aveling, R., Blackburn, T.M., Broad, S., Ceballos, G., Cote,<br />
I.M., Cowling, R.M., Da Fonseca, G.A.B., Dinerstein, E., Ferraro, P.J., Fleishman, E., Gascon, C., Hunter,<br />
M., Hutton, J., Kareiva, P., Kuria, A., MacDonald, D.W., MacKinnon, K., Madgwick, F.J., Mascia, M.B.,<br />
McNeely, J., Milner-Gulland, E.J., Moon, S., Morley, C.G., Nelson, S., Osborn, D., Pai, M., Parsons,<br />
E.C.M., Peck, L.S., Possingham, H., Prior, S.V., Pullin, A.S., Rands, |M.R.W., Ranganathan, J., Redford,<br />
K.H., Rodriguez, J.P., Seymour, F., Sobel, J., Sodhi, N.S., Stott, A., VanceBorland, K. & Watkinson, A.R.<br />
2009. One hundred questions of importance to the conservation of global biol<strong>og</strong>ical diversity. – Conserv.<br />
Biol. 23: 557567.<br />
SverdrupThygeson, A., Brandrud, T.E., Bratli, H., Framstad, E., Gjershaug, J.O., Halvorsen, G., Pedersen,<br />
O., Stabbetorp, O. & Ødegaard, F. 2008. Truete arter <strong>og</strong> ansvarsarter: Kriterier for prioritering i<br />
kartlegging <strong>og</strong> overvåking. – Norsk Inst. Naturforsk. Rapp. 317: 196.<br />
Sætersdal, M., Gjerde, I., Blom, H.H., Ihlen, P.G., Myrseth, E.W., Pommeresche, R., Skartveit, J., Solhøy,<br />
T. & Aas, O. 2003. Vascular plants as a surr<strong>og</strong>ate species group in complementary site selection for<br />
bryophytes, macrolichens, spiders, carabids, staphylinids, snails, and wood living polypore fungi in a<br />
northern forest. – Biol. Conserv. 115: 21-31.<br />
Söderqvist, T. 1986. The ecol<strong>og</strong>ists: from merry naturalists to saviours of the nation: a sociol<strong>og</strong>ically informed<br />
narrative survey of the ecol<strong>og</strong>ization of Sweden 1895-1975. –Almqvist & Wiksell, Stockholm.<br />
ter Braak, C.J.F. & Prentice, I.C. 1988. A theory of gradient analysis. – Adv. ecol. Res. 18: 271-317.<br />
Theobald, D.M., Stevens, D.L., White, D., Urquhart, N.S., Olsen, A.R. & Norman, J.B. 2007. Using GIS to<br />
generate spatially balanced random survey designs for natural resource applications. – Environm. Mgmt<br />
40: 134146.<br />
Thorsnes, T., Erikstad, L., Dolan, M.F.J. & Bellec, V.K. 2009. Submarine landscapes along the Lofoten<br />
Vesterålen-Senja margin, northern Norway. – Norw. J. Geol. 89: 5-16.<br />
Thuiller, W., Brotons, L., Araújo, M.B. & Lavorel, S. 2004. Effects of restricting environmental range of data to<br />
project current and future species distributions. – Ec<strong>og</strong>raphy 27: 165172.<br />
Tilman, D. 1999. Diversity by default. – Science 283: 495496.<br />
Trass, H. & Malmer, N. 1978. North European approaches to classification. – I: Whittaker, R.H. (red.), North<br />
European approaches to classification, Junk, The Hague, s. 201-245.<br />
van der Maarel, E. 2005. Vegetation ecol<strong>og</strong>y – an overview. – I: van der Maarel, E. (red.), Vegetation<br />
ecol<strong>og</strong>y, Blackwell, Oxford, s. 1-51.<br />
van Neil, K.P. & Austin, M.P. 2007. Predictive vegetation modeling for conservation: impact of error<br />
propagation from digital elevation data. – Ecol. Appl. 17: 266280.<br />
van Neil, K.P., Laffan, S.W. & Lees, B.G. 2004. Effect of error in the DEM on environmental variables for<br />
predictive vegetation modelling. – J. Veg. Sci. 15: 747756.<br />
Vittoz, P. & Guisan, A. 2007. How reliable is the monitoring of permanent vegetation plots? A test with<br />
multiple observers. – J. Veg. Sci. 18: 413422.<br />
Weber, T.P. 1999. A plea for a diversity of scientific styles in ecol<strong>og</strong>y. – Oikos 84: 526-529.<br />
115
Westhoff, V. & van der Maarel, E. 1978. The BraunBlanquet approach. – I: Whittaker, R.H. (red.),<br />
Classification of vegetation, Junk, The Hague, s. 287-399.<br />
Whittaker, R.H. 1967. Gradient analysis of vegetation. – Biol. Rev. Camb. phil. Soc. 42: 207-264.<br />
Wiens, J.A. 1989. Spatial scaling in ecol<strong>og</strong>y. – Funct. Ecol. 3: 385397.<br />
Willis, K.J. & Whittaker, R.J. 2002. Species diversity scale matters. – Science 295: 12451248.<br />
Wilson, J.B. 2003. The deductive method in community ecol<strong>og</strong>y. – Oikos 101: 216218.<br />
Wollan, A.K., Bakkestuen, V., Kauserud, H., Gulden, G. & Halvorsen, R. 2008. Modelling and predicting<br />
fungal distribution patterns using herbarium data. – J. Bi<strong>og</strong>e<strong>og</strong>r. 35: 22982310.<br />
Wright, R.F. 1987. RAIN project. Annual report for 1986. – Norsk Inst. Vannforsk. Oppdragsrapp. 1987: 13:<br />
190.<br />
Wright, R.F., Lotse, E. & Semb, A. 1993. RAIN project: results after 8 years of experimentally reduced acid<br />
deposition to a whole catchment. – Can. J. Fish. aquat. Sci. 50: 258-268.<br />
Yoccoz, N.G., Nichols, J.D. & Boulinier, T. 2001. Monitoring of biol<strong>og</strong>ical diversity in space and time. – Trends<br />
Ecol. Evol. 16: 446453.<br />
Zuur, A.F., Ieno, E.N., Walker, N.J., Saveliev, A.A. & Smith, G.M. 2009. Mixed effects models and extension<br />
in ecol<strong>og</strong>y with R. – Springer, New York, US.<br />
Øien, D.I. & Moen, A. 2006. Slått <strong>og</strong> beite i utmark effekter på plantelivet. Erfaringer fra 30 år med skjøtsel<br />
<strong>og</strong> forskning i Sølendet naturreservat, Røros. – Norg. tekn.naturvit. Univ. VitenskMus. Rapp. bot. Ser.<br />
2006: 5: 157.<br />
Økland, J. & Økland, K.A. 1999. Vann <strong>og</strong> vassdrag 4. Dyr <strong>og</strong> planter: Innvandring <strong>og</strong> ge<strong>og</strong>rafisk fordeling. –<br />
Vett & Viten, Nesbru.<br />
Økland, R.H. 1989a. Hydromorphol<strong>og</strong>y and phyt<strong>og</strong>e<strong>og</strong>raphy of mires in inner Østfold and adjacent part of<br />
Akershus, SE Norway, in relation to regional variation in SE Fennoscandian mires. – Opera bot. 96:<br />
1122.<br />
Økland, R.H. 1989b. A phytoecol<strong>og</strong>ical study of the mire Northern Kisselbergmosen, SE Norway. I.<br />
Introduction, flora, vegetation and ecol<strong>og</strong>ical conditions. – Sommerfeltia 8: 1-172.<br />
Økland, R.H. 1990. Vegetation ecol<strong>og</strong>y: theory, methods and applications with reference to Fennoscandia. –<br />
Sommerfeltia Suppl. 1: 1233.<br />
Økland, R.H. 1995a. Persistence of vascular plants in a Norwegian boreal coniferous forest. – Ec<strong>og</strong>raphy 18:<br />
314.<br />
Økland, R.H. 1995b. Bryophyte and lichen persistence patterns in a Norwegian boreal coniferous forest. –<br />
Lindbergia 19: 5062.<br />
Økland, R.H. 1995c. Population biol<strong>og</strong>y of the clonal moss Hylocomium splendens in Norwegian boreal<br />
spruce forests. I. Dem<strong>og</strong>raphy. – J. Ecol. 83: 697712.<br />
Økland, R.H. 1996. Are ordination and constrained ordination alternative or complementary strategies in<br />
general ecol<strong>og</strong>ical studies? – J. Veg. Sci. 7: 289292.<br />
Økland, R.H. 1999. On the variation explained by ordination and constrained ordination axes. – J. Veg. Sci.<br />
10: 131136.<br />
Økland, R.H. 2007. Wise use of statistical tools in ecol<strong>og</strong>ical field studies. – Folia geobot. 42: 123-140.<br />
Økland, R.H. & Bendiksen, E. 1985. The vegetation of the forestalpine transition in the Grunningsdalen<br />
area, Telemark, SE Norway. – Sommerfeltia 2: 1-224.<br />
Økland, R.H., Bratli, H., Dramstad, W.E., Edvardsen, A., Engan, G., Fjellstad, W., Heegaard, E., Pedersen,<br />
O. & Solstad, H. 2006. Scaledependent importance of environment, land use and landscape structure<br />
for species richness and composition of SE Norwegian modern agricultural landscapes. – Landsc. Ecol.<br />
21: 969987.<br />
Økland, R.H. & Eilertsen, O. 1993. Vegetationenvironment relationships of boreal coniferous forests in the<br />
Solhomfjell area, Gjerstad, S Norway. – Sommerfeltia 16: 1-254.<br />
Økland, R.H. & Eilertsen, O. 1996. Dynamics of understory vegetation in an old-growth boreal coniferous<br />
forest, 1988–1993. – J. Veg. Sci. 7: 747762.<br />
Økland, R.H., Framstad, E., Eilertsen, O. & Blom, H.H. 2004. Samordning av intensiv overvåking i sk<strong>og</strong><br />
med sikte på mer effektiv virkemiddelbruk <strong>og</strong> forbedret rapportering. – Norsk Inst. Jord Sk<strong>og</strong>kartlegging<br />
Dokum. 2004: 191.<br />
Økland, R.H., Rydgren, K. & Økland, T. 2003. Plant species composition of boreal spruce swamp forests:<br />
closed doors and windows of opportunity. – Ecol<strong>og</strong>y 84: 1909-1919.<br />
Økland, R.H., Økland, T. & Rydgren, K. 2001. Vegetation-environment relationships of boreal spruce swamp<br />
forests in Østmarka Nature Reserve, SE Norway. – Sommerfeltia 29: 1-190.<br />
Økland, T. 1996. Vegetationenvironment relationships of boreal spruce forest in ten monitoring reference<br />
areas in Norway. – Sommerfeltia 22: 1-349.<br />
Økland, T., Bakkestuen, V., Økland, R.H. & Eilertsen, O. 2001. Vegetasjonsendringer i Nasjonalt nettverk av<br />
116
flater for intensivovervåking i sk<strong>og</strong>. – Norsk Inst. Jord- Sk<strong>og</strong>kartlegging Rapp. 2001: 41: 1-46.<br />
Økland, T., Bakkestuen, V., Økland, R.H. & Eilertsen, O. 2004. Changes in forest understory vegetation in<br />
Norway related to long-term soil acidification and climatic change. – J. Veg. Sci. 15: 437-448.<br />
Økland, T., Rydgren, K., Økland, R.H., Storaunet, K.O. & Rolstad, J. 2003. Variation in environmental<br />
conditions, understorey species richness, abundance and composition among natural and managed<br />
Picea abies forest stands. – For. Ecol. Mgmt 177: 1737.<br />
Aarrestad, P.A., Bakkestuen, V., Often, A., Stabbetorp, O.E. & Wilmann, B. 2009. Natur i endring: Terrestrisk<br />
naturovervåking i 2009: Vegetasjonsundersøkelser av boreal bjørkesk<strong>og</strong> i Gutulia <strong>og</strong> Dividalen. – Norsk<br />
Inst. Naturforsk. Rapp. 490: 1642.<br />
117